Google机器学习速成课笔记（3）训练与损失

速成课笔记均转自谷歌机器学习速成课，为了方便自己的阅读与复习而整理，谷歌这次真的是做了一件惠及全人类的好事，通过15小时的课程让大家可以对机器学习的相关知识有所入门~原课程链接 

https://developers.google.com/machine-learning/crash-course/

深入了解机器学习 (Descending into ML)：训练与损失

简单来说，训练模型表示通过有标签样本来学习（确定）所有权重和偏差的理想值。在监督式学习中，机器学习算法通过以下方式构建模型：检查多个样本并尝试找出可最大限度地减少损失的模型；这一过程称为经验风险最小化。

损失是对糟糕预测的惩罚。也就是说，损失是一个数值，表示对于单个样本而言模型预测的准确程度。如果模型的预测完全准确，则损失为零，否则损失会较大。训练模型的目标是从所有样本中找到一组平均损失“较小”的权重和偏差。例如，图 3 左侧显示的是损失较大的模型，右侧显示的是损失较小的模型。关于此图，请注意以下几点：

• 红色箭头表示损失。
• 蓝线表示预测。

图 3. 左侧模型的损失较大；右侧模型的损失较小。

请注意，左侧曲线图中的红色箭头比右侧曲线图中的对应红色箭头长得多。显然，相较于左侧曲线图中的蓝线，右侧曲线图中的蓝线代表的是预测效果更好的模型。

平方损失：一种常见的损失函数

接下来我们要看的线性回归模型使用的是一种称为平方损失（又称为 L₂ 损失）的损失函数。单个样本的平方损失如下：

= the square of the difference between the label and the prediction = (observation - prediction( x)) ² = (y - y') ²