机器学习算法的数学解析与python实现—1.4机器学习的基本概念
1.常用函数
1.1假设函数(Hypothesis Function)
用H(x)表示,类似于泰坦尼克号上的锅炉,数据就是源源不断填入锅炉的燃料,锅炉带动机器运行使整个轮船前进。
1.2损失函数(Loss Function)
用L(x)表示,在机器学习中不是运行一次就能得到最终结果,而是一个不断逼近目标结果的迭代过程,损失函数就是用来衡量距离目标结果的远近。函数返回值越大,表明结果偏差就越大。
1.3成本函数(Cost Function)
用J(x)表示,成本函数与损失函数概念相近,只不过损失函数针对的是单个样本,而成本函数针对的是整个数据集,损失函数求得的总和就是成本函数,是一种包含关系。
1.4三个函数之间的关系
第一步,使用损失函数对每个样本计算它们的损失值,损失值之和为成本函数的损失值;
第二步,成本函数的损失值作为进一步优化的参考,完成对假设函数的参数调整;
第三步,参数调整完之后,重复第一步计算新的损失值,再重复第二步,依次循环直到求得最优解。
2.机器学习基本模式
图2 假设函数产生的偏差驱动着机器学习模型不断优化
3.优化方法
优化方法是损失函数和假设函数之间的媒介,损失函数将损失值告诉优化方法,优化方法再告诉