Google机器学习课程（一）--训练与损失

线性回归

按机器学习，线性回归模型方程式:
y’=w1*x1+b
其中：
y′ 指的是预测标签（理想输出值）。
b 指的是偏差（y 轴截距）。而在一些机器学习文档中，它称为 w0。
w1 指的是特征 1 的权重。权重与线性函数中的“斜率”的概念相同。
x1 指的是特征（已知输入项）。

该式表示有一个特征的方程式，具有三个特征的模型可以采用以下方程式：
y’=b+w1x1+w2x2+w3*x3

训练与损失

训练模型表示通过有标签样本来学习（确定）所有权重和偏差的理想值
训练模型的目标是从所有样本中找到一组平均损失“较小”的权重和偏差

损失函数：平方损失

一般线性回归模型使用的是一种称为平方损失（又称为 L2 损失）的损失函数：
loss=(y-y’)2

均方误差 (MSE) 指的是每个样本的平均平方损失。要计算 MSE，请求出各个样本的所有平方损失之和，然后除以样本数量：

其中：

(x,y) 指的是样本，其中

• x 指的是模型进行预测时使用的特征集（例如，温度、年龄和交配成功率）。
• y 指的是样本的标签（例如，每分钟的鸣叫次数）。

prediction(x) 指的是权重和偏差与特征集 x 结合的函数。
D 指的是包含多个有标签样本（即 (x,y)）的数据集。
N 指的是 D 中的样本数量。