一、基本概念
1,机器学习:使机器拥有具备找到一个函数的能力。
函数:不是数学中定义的函数,就是一个输出通过映射或者说某法则得到一个输出
比如:一张图片——(某法则或映射)——>>图中物品种类
2,常见机器学习任务
回归(regression):所找的函数是一个数值/标量(scalar)。
分类(classification):让机器选择类别,类别是人提前确定的。
结构化学习:输出的是一个有结构的物品,比如一张图片,一篇文章。
3,模型:带有参数的函数:比如f=wx+b(对于具体参数w和b得到一个函数)
其中,输入x为特征,w为权重,b为偏置。
4,为了能够找到一个好的函数能够到达我们具体任务的要求,首先确定某个东西能够衡量函数的好坏——误差(就真实情况与我们找到函数算出来的差距)。
误差函数:输入的是待找的参数(如w和b),输出是在该参数下对应误差结果。
计算误差的方法:
(1)平均绝对误差(MAE)
(2)均方误差(MSE)
5,误差平面:如上一个例子,选取不同的w和b,会计算出不同的误差,对不同误差值采用不同颜色表示,绘制出的图
7,超参数:需要自己设置值的参数
6,梯度下降法:最常使用的优化算法,通过计算微分确定参数变化,慢慢靠近最优值,但是可能会出现找到的是局部最优值,而非全局最优值。