降低损失：迭代方法

降低损失：迭代方法

迭代学习 类似与 “Hot and Cold” 这类儿童游戏

• ”隐藏的物品 就是最佳模型
• 预测推理 逐步接近目标

以下为机器学习算法用于训练模型的迭代试错过程

整个机器学习过程中使用相同的 迭代方法 详细说明各种复杂情况，尤其处于 暴风雨中的蓝云区域

“模型” 部分将 一个或多个特征 作为输入，然后返回 一个预测(y’) 作为输出

• 先进行简化，考虑一种采用一个特征并返回一个预测的模型

  y' = b + w1x1

对于线性回归问题，事实证明 初始值并不重要

随便取值：

• b = 0
• w1 = 0

假设第一个特征值是10，将该特征值带入预测函数会的得到以下结果：

  y' = 0 + 0(10)
  y' = 0

“计算损失” 部分是模型将要使用的 损失函数

假设使用 平方损失函数 ，将采用两个输入值：

• y’ ： 模型对 特征x 的预测
• y ： 特征x 对用的正确标签

最后，查看 “计算参数更新” 部分，机器学习系统检查 损失函数的值 ，为 b 和 w1 生成新值。

机器学习系统 根据所有标签重新评估所有特征 ，为损失函数生成一个新值，新值再产生新的参数值，持续迭代 ，直到该算法发现 损失可能最低的模型参数 。根据用户，也可不断迭代，知道 总体损失不再变化 或者 变化极其缓慢 为止，该模型已 收敛。