林轩田机器学习基石入门(三)

上一节我们主要向大家介绍我们身边机器学习的例子,这一节我们将探讨机器学习由什么元素组成(机器学习的模型结构)。

 

首先我们先看个信用卡的例子。

 

 

假设我们想用机器学习来判断“是否同意贷款给这个客户?”,我们会将用户的信息数据输给模型(比如年龄,性别,职业,工龄,是否为该市久住居民,欠款信息,年薪,资产等),然后通过模型给出判断(这些动作其实和人工判断相差不大)。

 

 

而我们发现大多机器学习模型都是相似的步骤(数据->模型->技能),于是我们想能否标准化学习模型以便我们学习。

 

于是我们将输入的一条具体数据化为x;而是否批准贷款设为y;理想中的目标函数化为f;我们模型得出的技能则设为g;而其中g属于H。下面我们用详细图示给出解释。

 

 

于是整理简化后得出下图的模型。

 

 

 

上面两张图详细给出了关于f,g和H解释,下面我们来看看全部整合后的模型长什么样。

 

 

因此我们也可以得出机器学习在实际应用中的定义:使用数据去计算出假设g,而其中我们想要的g和理想f接近。

 

    关注我们 | 获取更多系统性学习文章|从零开始

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值