AI基础——如何拟合

上回说到，机器学习要做的事，就是找到一个函数（模型），给它输入数据（样本），通过运算，输出结果（标签）。

括号中的是机器学习的几个术语，代表的意思一目了然。

那么，具体如何训练模型呢？

人是如何训练的

还是类比人类学习的例子，看看人是如何学习的。

人们平时学习的过程中，会做大量的题，遇到做错或者不会做的，看看答案就学会了。到考试的时候，同样做一堆题，根据做题的准确率，评价一个人学的好不好。

机器学习也一样，也分学习和考试两部分，只是在机器学习领域，称为训练和测试。

本文先讲讲训练。

几个概念

解释一下上面提到的样本和标签的含义。

机器学习是通过数据来学习的，数据量越大，学得越好，就好比人是靠做题学习的，做题越多，学得越好。

人做题的时候需要对答案，做错了能改。

机器也一样，用来训练模型的数据称为样本，样本中有输入和答案，其中，输入称为特征，答案称为标签。当然，也不是所有的样本都有答案，有标签的称为有监督的机器学习，没有标签的称为无监督的机器学习，这个问题以后再议。

我们会把所有的样本一分为二，一部分用于训练，一部分用于考试，分配比例随意，9:1也行，8:2也可，根据数据量大小随意定。

其中，用于训练的样本称为训练集，用于考试的样本称为测试集，多简单！

这时，拟合粉墨登场了！

拟合的意义

先抛出拟合在百科中的解释：

形象的说，拟合就是把平面上一系列的点，用一条光滑的曲线连接起来。因为这条曲线有无数种可能，从而有各种拟合方法。拟合的曲线一般可以用函数表示，根据这个函数的不同有不同的拟合名字。

我们通过一个例子把今天所有的概念串起来。

比如，根据人的身高、体重判断体型（瘦、正常、胖）这么一个简单到极致的问题。
假设我们有10000条样本数据，每条数据包括3个字段：身高、体重、体型。那么，身高、体重就是特征，体型就是标签。

为啥叫这么抽象的名字，简单一句话就明白了：根据特征给样本打标签。
我们会把10000条数据分为两部分，9000条作为训练集，1000作为测试集。通过9000条样本训练模型，通过1000条样本测试这个模型好不好。

怎么训练模型呢？
其实就是找到一个函数映射，输入身高、体重，输出体型。

我们都知道，人的身高体重是成比例的，如果比例在正常范围内，就是正常体型，如果身高很高但体重偏轻，就是瘦，反之就是胖。
这三者的关系大概是个线性关系，所谓线性，就是随着x的变化，y线性变化，而不是指数或者对数，是直线不是曲线。

所以我们可以大胆的预测这个函数关系是：
$$y=a\ast x_1+b\ast x_2+c$$

其中y是体型，x1是身高，x2是体重，a、b、c是函数参数。
这里有人会问，这个函数值y是连续的，但真正的标签是离散的（只有瘦、正常、胖3个值），这怎么办呢？其实很简单，机器学习会通过一种叫做激活函数的方法，对y值进行转换。

请注意，上面的函数中，参数a、b、c是未知的。
训练的过程，就是通过把训练集中的数据带入上面的函数x1和x2，通过不断变化a、b、c，使得函数计算出来的 y 跟样本中的标签 $\hat{y}$ 尽可能相同，直到找到最优的a、b、c，让“尽可能”多的样本满足$y=\hat{y}$，训练结束。

换句话说，就是通过9000条样本的x1、x2、y组成方程组，求“尽可能”最合适的a、b、c的，在这里，a、b、c是方程组的未知数。

这个训练的过程，就是拟合。

有聪明人又问了，数学不是应该追求极致的严谨和准确么，这里为啥"尽可能"就满足了？因为多数情况下无法做到让9000条数据都准确（有可能某些数据是极端的甚至错误的），所以，这里追求的不是100%的 $y=\hat{y}$ ，而只能是"尽可能"，用拟合一词恰到好处！

把这个过程放在坐标系上，就大致明白百科中的表述的含义了，思考一下。

总结

这次介绍了几个术语，其实机器学习的思想很简单，只是很多术语造成了一点点阻碍。
就好比数学，可能一个很简单的概念，用数学语言表达，就显得深奥无比了，比如连续性，极限等。
而这些数学语言在数学家眼中，却美的无与伦比！
这种用简单的语言就能说明白的道理，为了严谨性，必须转化为数学语言的做法，何尝不是另一种拟合！
最后问个问题：是不是在训练集上拟合的越好，这个模型越好呢？
未必。