第一章 机器学习基础
定义
机器学习ML:具备找一个函数的能力。
类别
要找的函数不同→1.输出一个数值,一个标量——回归;2.从设定好的选项(类别)中选择一个当输出→分类;3.产生一个有结构的物体→结构化学习
案例
1.写出一个带有未知参数的函数 f,其能预测未来观看次数
今天总共的观看次数y | 前一天的总共观看次数x1 | 未知参数b、w
$$ y = b + wx1 $$
带有未知的参数(parameter)的函数称为模型(model)
特征(feature) x1 是这个函数里面已知的
w 称为权重(weight),b 称为偏置(bias)
2.定义损失(loss)L(b, w)
损失函数输出的值代表,现在如果把这一组未知的参数,设定某一个数值的时候,这笔数值好还是不好
估测的值跟实际的值之间的差距的不同计算方法:
(1)平均绝对误差(Mean Absolute Error,MAE)
$$ e = |yˆ − y| $$
(2)均方误差(Mean SquaredError,MSE)
$$ e = (yˆ − y)2 $$
(3)交叉熵(cross entropy)
3.解一个最优化的问题
梯度下降(gradient descent)