标签：Loss 机器 函数 简介 数值 观看 参数 基本概念

机器学习基本概念简介

1. 浅析机器学习

机器学习可以约等于找一个函数的能力，具备函数能力后可以做很多事情。例如：语音识别（1）、影像辨识（2）、下围棋（3）

（1）

（2）

（3）

2. 不同类型的函数：

（1）Regression：输出是一个数值。例如：预测明天的PM2.5的量

（2）Classfication：需要机器做的是选择题，我们预先准备一些选项（classes），机器从预设选项中选择一个当作输出。例如：垃圾邮件的侦测

（3）Structured Learning：create something with structure（image，document）产生有结构的事物。通俗来讲，让机器学会创造。

3-1. 如何找到目标函数（以Youtube点阅人数预测为例）

y：预测2月26日频道的总观看人数。（feature）

x1：2月25日频道的总观看人数。（feature）

w （weight）and b（bias）：未知参数（想要从数据中获取的参数）

y = b+wx1 叫做model（模型）

3-2. 从训练数据定义损失函数(Loss)

（1）Loss is a function of parameters | L（b,w）| 损失函数是与b与w相关的函数 | 即把b和w设置为未知参数的时候，这组数值的好坏的衡量

（2）举例说明Loss（Label表示正确数值）

依次类推，计算每天相较第二天的训练误差。

（3）平均绝对误差和均方误差以及交叉熵计算法

（4）Loss的等高线分布图（Error Surface：误差曲面）

3-3 Optimization：最优解问题

1.找出效果最好的一组w和b让Loss的值最小。

2.Gradient Descent（梯度下降）

（1）首先假设未知参数只有一个：w

（2）获取不同的w与Loss的关系

（3）找到一个W使得Loss的值最小，首先随机挑选一个W⁰

（4）计算w = w⁰ 这一点的切线斜率

（5）若w = 负值 —> 增加w

（6）若w = 正数 —> 减小w

（7）增加和减小的大小取决于该点斜率的大小和学习率的大小（hyperparameters表示人为设定的数值）

（8）移动

（9）停下的两种原因

人为设置了参数更新

计算得到的微分为0，参数不再移动

（10）存在问题：上述例子很显然可以发现梯度下降找到的不是最优的w，不是最优解的数值叫做local minima（局部最小值），真正的最优解是global minima（全局最小值）

（11）拓展：local minima不是Gradient descent真正的问题

3.双参数引入

4.接下来的问题

我们需要知道的是未来的观看次数，所以要使用上述得到的函数获取未来的观看次数。

（1）分析结果

横轴代表时间，纵轴代表观看的人数

真实数据每隔七天就会有两天特别低

（2）修改模型（增加数据天数）

以上所用的模型统称为Linear models

标签：Loss,机器,函数,简介,数值,观看,参数,基本概念
来源： https://www.cnblogs.com/MurasameLory-chenyulong/p/14811721.html

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。