监督式机器学习的基本术语
一、监督式机器学习基本概念
-
机器学习系统:通过学习如何组合输入信息来对未见过的数据做出有用的预测。
-
术语:标签和特征。
标签:是我们要预测的真实事物:y。(线性回归中的y变量)
特征:是指用于描述数据的输入变量:Xi(线性回归中的{x1,x2,…,xn}变量)
-
术语:样本和模型
样本:是指数据的特定实例:x
有标签样本具有{特征,标签}:{x,y}用于训练模型
无标签样本具有{特征,?}:{x,?}用于对新数据做出预测
模型:可将样本映射到预测标签:y’ 。由模型的内部参数定义,这些内部参数值是通过学习得到的
-
术语:训练: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。
-
在监督式学习中,机器学习算法通过以下方式构建模型:
检查多个样本并尝试找出可最大限度地减少损失的模型——这一过程称为经验风险最小化。
-
术语:损失
损失:是对糟糕预测的惩罚:损失是一个数值,表示对于单个样本而言模型预测的准确程度。如果模型的预测完全准确,则损失为零,否则损失会较大。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。
-
定义损失函数。<