Tensorflow-keras关于分类问题、回归问题、损失函数理论部分

keras可以处理问题类型：{分类问题、回归问题、损失函数}

• 什么是分类问题：
  用于多元分类（一般大于三类），预测的是类别，模型输出是概率分布，选择概率最大那个作为分类结果。
• 什么是回归问题：
  回归问题预测的是值，模型输出是一个实数值（例如房价预测）

-目标函数
-为什么需要目标函数？
1.函数参数是逐步调整的，不是一蹴而就
2.目标函数可以帮助衡量模型好坏（不同模型可以对比输出）

-对于分类问题，目标函数作用
1.需要衡量目标类别与当前预测的差距如（【0.2，0.7，0.1】）
真实类别为2-——>one hot -->[0,0,1]
##one hot编码是将正整数序列变成向量形式进行表达，只有正整数位为1 其他位置为0

-对于分类问题，损失函数一般这两种
1.平方差损失：

2.交叉熵损失

—回归问题的目标函数
主要代表了预测值和真实值的差距，一般比较常见的是
{平方差损失和绝对值损失}

机器学习的意义就是训练模型，不断调整参数，使得目标函数（损失函数） 逐渐减少的过程。
理论部分暂时结束，接下来实战代码！