首页 > 其他 > 详细

监督式机器学习

时间:2020-02-09 20:53:01      阅读:57      评论:0      收藏:0      [点我收藏+]

1、知识点:

  技术分享图片

    1.1、标签:我们要预测的真实事物:y 即线性回归中的变量y值

        特征:指用于描述数据的输入变量:x  即线性回归中的{x1,x2,。。。,xn}变量

        样本:指诗句的特定实例:x

         有标签样本:{特征,标签}:{x,y}  用于训练模型

         无标签样本: {特征,?}:{x,?}  用于对新数据做出预测

        模型:可将样本映射到预测标签:y‘   由模型的内部参数定义,这些内部参数值是通过学习得到的

    1.2、训练: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  【y = k*x+b】 ,确定k和b的值

        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,这一过程叫做“经验风险最小化”

          损失:是对糟糕预测的惩罚,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,否则损失会比较大

          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

技术分享图片

          定义损失函数:

            技术分享图片

     1.3、模型训练:  首先对权重w和偏差b进行初始猜测,然后反复调整这些猜测,直到获得损失可能最低的权重和偏差为止

技术分享图片

        收敛:机器训练的程度

技术分享图片

         计算损失:

技术分享图片

     1.4、梯度下降法:

        梯度:一个向量(矢量),表示某一函数在该点处的方向沿着该方向取得最大值,即函数在该点处沿着该方向(梯度的方向)变化最快,变化率最大 

 技术分享图片

           方向:

              沿着 负梯度方向进行下一步探索

     1.5、学习率   应适当(不应过大或过小)

        沿着“负梯度”方向的下一步:

技术分享图片

    1.6、 超参数:

        是在开始学习之前设置的参数,而不是通过训练得到的参数数据

        【超参数】是编程人员在机器学习算法中用于调整的旋钮  例如:学习率,神经网络的隐含层数量等

 

监督式机器学习

原文:https://www.cnblogs.com/pam-sh/p/12288509.html

(0)
(0)
   
举报
评论 一句话评论(0
关于我们 - 联系我们 - 留言反馈 - 联系我们:wmxa8@hotmail.com
© 2014 bubuko.com 版权所有
打开技术之扣,分享程序人生!