函数：y = m * x + b

图1

我们会在自己的模型上进行一个小规模的训练。一条直线的方程是 y = m * x + b，x 是输入，m 是直线的斜率，b 是纵轴的截距，y 是直线上对应 x 的值。我们需要训练的值就是 m 和 b。由于整个表达式只有输出 y 和输入 x，所以只有该两个变量需要训练。

图2

机器学习中，有多少特征就有多少个 m，而 m 的值通常都用一个矩阵来表达，我们用「W」标记以表示「weight」（权重）。类似的，我们将 b 也用矩阵表示，简记为「b」，也就是「biases」（偏差）。

训练的过程，将会给 W 和 b 一定的初始值，然后用这些值来尝试预测。如你所料，一开始的结果往往不符合要求，但我们可以通过与「应得结果」比较，并修改 W 和 b 来得到比较准确的预测。

图3

上述过程将会重复进行，每一次迭代或者循环都被称为训练过程的「阶」。我们再回头看看整个过程。一开始，我们好似随机画了一条线来分开红酒和啤酒。接下来，每一次循环，这条线都进行一定的移动，逐渐逼近那条理想的、假想的红酒和啤酒分界线。

摘自：机器学习「七步走」