两大任务
回归：求一个理想的预测函数
分类：某函数的输出值为分立的类别
机器学习找函数的过程的 3 个步骤：
机器学习的第一个步骤：写出一个带有未知参数的函数 f，其能预测未来观看次数
比如将函数写成
带有未知的参数（parameter）的函数
w权重 与输入量相乘的值（weight）
b偏置 在原有输出量上增减的值(bias)
机器学习的第二个步骤：定义损失（loss）
损失也是一个函数。这个函数的输入是模型里面的参数，模型是 y = b + w ∗ x1，而 b 跟 w 是未知的，损失是函数 L(b, w)，其输入是模型参数 b 跟w。
举例：举个例子，从 2017 年 1 月 1 日到 2020 年 12 月 31 日的观看次数（此处的数字是随意生成的）如图 1.1 所示，接下来就可以计算损失。
把 2017 年 1 月 1 日的观看次数带入函数中可得
当b = 500，w = 1 的时候，x1 代入 4800，预测隔天实际上的观看次数结果为 yˆ = 5300，真正的结果是 4900，真实的值称为标签（label），它高估了这个频道可能的点击次数，可以计算一下估测的值 yˆ 跟真实值 y 的差距 e。
这里取绝对值差距来作为损失计算的标准
e = |y − yˆ|
带入三年来的每一天的预测值和标签数，可以得到每一天的误差。
接下来把每一天的误差，通通加起来取得平均，得到损失L
误差的一般类型：
平均绝对误差：预测值与理论值之差的绝对值之平均数
均方误差：预测值与理论值之差的平方之平均数
交叉熵：概率分布数据使用的误差衡量标准
误差表面：以损失为值衡量的等高线
机器学习的第三步：解一个最优化的问题
找一个 w 跟 b，把未知的参数找一个数值出来，看代哪一个数值进去可以让损失 L 的值最小，就是要找的 w 跟 b，这个可以让损失最小的 w 跟 b 称为 w∗ 跟 b∗ 代表它们是最好的一组 w 跟 b，可以让损失的值最小。
梯度下降——最优化算法的一种
重要数学原理：偏导数
学习率：一个决定模型参数更新与收敛情况的超参数
弊端：可能只找到局部最小值而非全局最小值
重要公式
而对于更多参数的梯度下降算法也是同理，换成偏导数而已
86
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
