【转】机器学习(深度学习)为什么需要训练,训练出来的模型具体又是什么?

很多新手在初学机器学习/深度学习中,会产生这样的疑问?为什么要训练模型,模型是什么,如何训练......

 本人刚开始接触时也产生过类似地疑问,现在为大家排解这些疑问。

1、机器学习中大概有如下步骤: 

  • 确定模型----训练模型----使用模型。
  • 模型简单说可以理解为函数。
  • 确定模型是说自己认为这些数据的特征符合哪个函数。
  • 训练模型就是用已有的数据,通过一些方法(最优化或者其他方法)确定函数的参数,参数确定后的函数就是训练的结果,使用模型就是把新的数据代入函数求值。

 通俗来讲:

  你可以把机器想象成一个小孩子,你带小孩去公园。公园里有很多人在遛狗。
  简单起见,咱们先考虑二元分类问题。你告诉小孩这个动物是狗,那个也是狗。但突然一只猫跑过来,你告诉他,这个不是狗。久而久之,小孩就会产生认知模式。这个学习过程,
就叫“training”。所形成的认知模式,就是”model“。
  训练之后。这时,再跑过来一个动物时,你问小孩,这个是狗吧?他会回答,是/否。这个就叫,predict。
  一个模型中,有很多参数。有些参数,可以通过训练获得,比如logistic模型中的权重。但有些参数,通过训练无法获得,被称为”Hyperparameter (超参数)“,比如学习率等。这需要靠经验,过着grid search的方法去寻找。
  上面这个例子,是有人告诉小孩,样本的正确分类,这叫监督学习。
  还有无督管学习,比如小孩自发性对动物的相似性进行辨识和分类。

2、如何训练模型?

  首先得定义一个损失函数,加入输入样本,根据前向传播得到预测试。跟真实样本比较,得到损失值,接着采用反向传播,更新权值(参数),来回不断地迭代,直到损失函数很小,准确率达到理想值即可。这时的参数就是模型需要的参数。即构建了理想的模型。

©️2020 CSDN 皮肤主题: 编程工作室 设计师:CSDN官方博客 返回首页