Google机器学习课程(一)--训练与损失

线性回归

按机器学习,线性回归模型方程式:
y’=w1*x1+b
其中:
y′ 指的是预测标签(理想输出值)。
b 指的是偏差(y 轴截距)。而在一些机器学习文档中,它称为 w0。
w1 指的是特征 1 的权重。权重与线性函数中的“斜率”的概念相同。
x1 指的是特征(已知输入项)。

该式表示有一个特征的方程式,具有三个特征的模型可以采用以下方程式:
y’=b+w1x1+w2x2+w3*x3

训练与损失

训练模型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
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

损失函数:平方损失

一般线性回归模型使用的是一种称为平方损失(又称为 L2 损失)的损失函数:
loss=(y-y’)2

均方误差 (MSE) 指的是每个样本的平均平方损失。要计算 MSE,请求出各个样本的所有平方损失之和,然后除以样本数量:
在这里插入图片描述
其中:

(x,y) 指的是样本,其中

  • x 指的是模型进行预测时使用的特征集(例如,温度、年龄和交配成功率)。
  • y 指的是样本的标签(例如,每分钟的鸣叫次数)。

prediction(x) 指的是权重和偏差与特征集 x 结合的函数。
D 指的是包含多个有标签样本(即 (x,y))的数据集。
N 指的是 D 中的样本数量。

你可能感兴趣的:(google机器学习公开课)