机器学习基础

1 机器学习基本概念

机器学习的本质就是让机器具有一个找函数的能力，通过找函数能力的不同分为回归、分类、结构化学习

1（1）回归

假设要找的函数的输出是一个数值，一个标量，则为回归类问题，如预测类模型就是回归类问题

1（2）分类

分类则是让机器做出选择，人类先准备好一些选项，机器的函数输出就是从这些选项中输出，类似于垃圾分类。

1（3）结构化学习

让机器画一张图或者写一篇文章

2案例学习

机器学习找函数的过程，分为3个步骤

2（1）把函数写成一个方程f

如
$$
y=b+wx_{1}
$$
y为预测值，b为修正值，b、w值未知，$x_{1}$的值为已知,w为权重，b为偏置。

2（2）定义损失

损失也是函数。这个函数的输入是模型里面的参数， 模型是 $y = b + w ∗ x_{1}$，而 b 跟 w 是未知的，损失是函数$ L(b, w)$，其输入是模型参数 b 跟 w。假设未知的参数的设定是 b = 500，w = 1，预测未来的 观看次数的函数就变成$ y = 500 + x_{1}$。假设结果为5300，当真实结果为4900（标签），则差距$e=y_{2}-y_{1}=400$,同是可以求得每一天得误差，计算平均损失L
$$
L=\frac{1}{N \sum_{n}^{} e_{n} }
$$
其中，N 代表训验数据的个数,L 是每一笔训练数据的误差 e 相加以后的结果。L 越大，代表现在这一组参数越不好，L 越 小，代表现在这一组参数越好。估测的值跟实际的值之间的差距，其实有不同的计算方法，计算 y 与 yˆ 之间绝对值的差距，称为平均绝对误差。如果算 y 与 yˆ 之间平方的差距，则称为均方误差。

2（3）解一个最优化的问题

找一个 w 跟 b，把未知的参数找 一个数值出来，看代哪一个数值进去可以让损失 L 的值最小。

方法：梯度下降

先假设只有一个未 知的参数 w，b 是已知的。w 代不同的数值的时候，就会得到不同的损失，这一条曲线就是误差表面。通过算微分进行左右环视，比那个且不断调整。当走到一个点两边都比他大，则这个点为局部最小值，而真正最小的点为全局最小值。