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

机器学习基本概念简介

原文：https://www.cnblogs.com/MurasameLory-chenyulong/p/14811721.html