1机器学习基础
1.1基础概念
- 机器学习(Machine Learning):让机器具备找一个函数的能力
- 回归(regression)
- 分类(classification)
- 结构化学习(structed learning)
- 模型(model):带有未知的参数(parameter)的函数
- 特征(feature):函数中已知
- 权重(weight)
- 偏置(bias)
- 标签(label):真实值
- 损失函数(loss):损失函数输出的值代表,现在如果把这一组未知的参数,设定某一个数值的时候,这笔数值好还是不好
- 估测值和实际值的差距:
- 平均绝对误差(MAE) e = ∣ y ^ − y ∣ e=|\hat{y}-y| e=∣y^−y∣
- 均方误差(MSE) e = ( y ^ − y ) 2 e=(\hat{y}-y)^{2} e=(y^−y)2
- 交叉熵(cross entropy): y y y 和 y ^ \hat{y} y^ 都是概率分布
- 误差表面(error surface):不同的参数计算损失,画出来的等高线图
- 解一个优化问题:梯度下降法(gradient descent)
- 全局最小值和局部最小值