Google机器学习课程（二)降低损失（1）--迭代方法

机器学习算法用于训练模型的迭代试错过程：

模型中输入一个或多个特征作为输入，然后通过模型进行预测输出一个预测值，然后通过标签和预测值计算损失。
为了简化用线性回归函数作为模型，并用一个特征值作为输入，模型如下：
y’=w1*x1+b,其中w1为特征权重；

那么w1和b的初始值应该是多少呢？
对于线性回归问题，事实证明初始值并不重要。我们可以随机选择值，不过我们还是选择采用以下这些无关紧要的值：

• b=0
• w1=0
  假设第一个特征值是 10。将该特征值代入预测函数会得到以下结果：
  y’ = 0 + 0(10)
  => y’ = 0

图中的“计算损失”部分是模型将要使用的损失函数。假设我们使用平方损失函数。损失函数将采用两个输入值：

• y’：模型对特征 x 的预测
• y：特征 x 对应的正确标签。

我们来看图的“计算参数更新”部分。机器学习系统就是在此部分检查损失函数的值，并为 b 和 w1 生成新值

要点：
在训练机器学习模型时，首先对权重和偏差进行初始猜测，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。