1. 概述
机器学习(Machine Learning, ML)是指机器通过算法来寻找一个函数,从而完成特定任务的过程。深度学习(Deep Learning, DL)则是机器学习的一个分支,利用多层神经网络自动学习数据特征。机器学习可用于解决多种问题,如语音识别、图像识别和棋类游戏。
2. 机器学习的类型
- 回归(Regression):任务是预测一个数值输出。例子:根据历史数据预测未来某一时间的PM2.5数值。
- 分类(Classification):任务是从多个预定义类别中选择一个作为输出。例子:邮箱中的垃圾邮件分类。
- 结构化学习(Structured Learning):任务是生成有结构的输出,如生成图像或文章。
3. 案例学习:视频点击次数预测
目标:通过历史数据预测某视频频道的次日观看次数。
步骤:
- 模型构建:假设一个带有未知参数的函数,如 y=b+wx1y=b+wx1,其中 yy 为预测的观看次数,x1x1 为前一天的观看次数,bb 和 ww 是需要通过数据训练获得的未知参数。
- 损失函数定义:计算预测值与实际值之间的误差,用损失函数 L(b,w)L(b,w) 表示模型的性能。常见的损失函数包括平均绝对误差(MAE)和均方误差(MSE)。
- 优化:通过梯度下降法找到使损失函数最小的参数值 w∗w∗ 和 b∗b∗,即最佳模型参数。
4. 优化方法:梯度下降
- 梯度下降:通过计算损失函数相对于参数的导数来调整参数,以最小化损失。每次迭代参数更新的步伐由梯度和学习率共同决定。
- 局部最小值与全局最小值:梯度下降有时可能停在一个局部最小值而非全局最小值,但实际上,局部最小值问题在深度学习中并不是主要问题。
5. 案例总结
在例子中,优化后获得的参数 w∗=0.97w∗=0.97,b∗=100b∗=100 能够较准确地预测视频的观看次数。在训练数据上误差为480,而在未见过的数据上误差为0.58,显示了模型的有效性。