CaptainBed人工智能学习笔记——3.如何判断预测的是否准确

       CaptainBed的官方学习网站：人工智能教程 (captainai.net)

        在前面的文章里，我分享了如何对数据进行训练和预测，那当我们成功的训练了模型，并对测试数据进行了预测后，又如何保证我们的预测结果是有一定的准确性的呢？

回顾

        我们首先来回顾一下前面两章学到的知识点，主要就是这两个公式：

                                                   (1)    

                                                   (2)    

        其中就表示预测的结果，而对应的函数就是激活函数嵌套一个逻辑回归公式，将逻辑回归公式计算的结果转换为概率，也就是最后的值了。

        接下来，我就要介绍如何计算模型的预测是否准确了

损失函数

        我们先直接给出公式：

                                                        

        其中的指代对测试数据预测后的结果，而是测试数据标准的正确结果，也就是后面会讲的标签，老师说理论上是可以用这个公式的，但是通常我们不会用，至于为什么我也还不知道哈哈哈哈哈，等到后面再和大家分享吧！

        因此，一般情况下，我们会用下面的公式：

                                  

        损失函数（loss function）的结果越大，则预测的偏差越大，也就是预测结果越不准确，反之结果越小，则预测的偏差也越小，预测的结果也更准确。

成本函数 

        对于我之前讲的所有的知识，都是基于单一样本而言的，什么是样本？比如一张猫的图片，他就是一个样本，而这张图片所包含的像素数据，就是一个个的特征，千万要搞清楚样本和特征的区别，因为我就经常搞混...... 

        那么当我们有多个样本呢？一般来说，不论是训练数据还是测试数据，都不会只有一个单一的样本的，就像你小时候只见过猫一次，你就记住他是一只猫了嘛？又或者你永远只看一只猫，那别的品种或颜色的猫你都知道他是猫了嘛？显然是不可能的，你需要经常去见，去见很多很多不同的猫，这样你下次再见到，才会知道这是一只猫....

        因此当我们有多个样本，计算预测的是否准确，就需要一个成本函数来计算了，公式如下：

                            

        这个函数的作用其实就是对每一个样本的损失函数进行累加，最后计算平均值罢了，就是那么简单，不要看公式那么长一串，其实就是这个意思。这种争对整个训练集的损失函数，我们就叫它成本函数（cost function），并且计算结果越大，成本越大，预测越不准确。

CaptainBed的官方学习网站：人工智能教程 (captainai.net)