Я не буду много говорить о внедрении машинного обучения.Хоть я и не по специальности, но я также специализируюсь в области науки и техники.Я весьма заинтересован в исчерпывающем методе машинного обучения.В конце концов, правда вселенной состоит из математики.Я всегда думаю, что математика Наука и физика являются краеугольным камнем человеческого развития, но мозга недостаточно, нечего сказать, эта колонка является результатом моего ежедневного резюме обучения.В настоящее время машинное обучение в основном видео мистера Ву Энда.

1. Контролируемое обучение

Будучи важной частью машинного обучения, обучение с учителем заключается в простом предоставлении набора данных, который включает в себя соответствующие результаты, $y = f(x)$ Соответствующий результат y равен , так что компьютер может найти из него закон, что является проблемой регрессии. Наиболее классической из них должна быть линейная регрессия.

2. Неконтролируемое обучение

Обучение без учителя также является методом обучения в машинном обучении.В отличие от обучения с учителем, обучение с учителем требует маркировки данных, а обучение без учителя — нет. Неконтролируемое обучение в основном используется в сценариях классификации и уменьшения размерности. Он имеет три характеристики:

Нет необходимости маркировать данные
нет четкой цели
Невозможно количественно оценить результаты обучения

3. Функция стоимости

В обучении с учителем модели, созданные машинным обучением, конечно, хороши и плохи.Как оценить модель, чтобы определить лучшую модель, для ее решения требуется функция стоимости.Цель функции стоимости - найти лучшую модель.Оптимальная функция .

3.1 Принцип функции стоимости

Например, для функции предсказания

Есть два параметра

Функциями стоимости являются θ0 и θ1, и изменения параметров приведут к изменению функции. Таким образом, функция прогнозирования зависит от значения реального результата y, используя в качестве примера функцию стоимости квадрата ошибки.

Принцип функции стоимости квадрата ошибки состоит в том, чтобы сделать разницу между значением, заданным фактическими данными, и значением подгоночной функции,В то же время, чтобы это значение не сильно колебалось из-за влияния отдельных данных, принимается аналогичная дисперсия, а затем уменьшается вдвое, чтобы уменьшить влияние экстремальных данных.

Следовательно, оптимальным решением является значение θ0 и θ1, когда функция стоимости наименьшая.