一、监督学习
在给定的训练数据集中学习出一个函数（模型参数），当新的数据到来时，可以根据这个函数预测结果。往往这个结果是我们标注的。通过对我们收集的样本进行训练，得到一个最优的模型。当我们拿到一个新数据的时候，我们就放进我们训练得到模型中，去预测一个结果。
其中有回归分析模型，例如根据房子的面积去预测对应的房价。如下图
回归分析
也有统计分类模型，例如根据肿瘤的大小去预测该肿瘤为良性还是恶性。如下图
统计分类
二、无监督学习
在一组样本数据集里，不告诉计算机怎么做，而是让它自己去学习怎样做事情。
例如在杂乱无章的声音中，将距离麦克风最近的声音筛选出来。谷歌浏览器中的新闻分类。等等
三、代价函数
例如房价预测的回归模型中，设回归方程为f(x)=ax+b，则我们的模型函数即为f(x)=ax+b。当我们拿到一个新的数据设为y,这个y与f(x)的差值为我们函数的误差值，也就是说要付出的代价，则g(x)=f(x)-y为我们的代价函数。如图
代价值
四、平方差代价函数
平方差代价函数
五、梯度下降
我们的回归方程可以是线性方程，也可以是曲线方程，所以参数有无数多个J(a,b,c.......n)。下面我们用简单的线性方程来演示梯度下降，例如房价预测模型J(a,b)代价函数。如下图
平均差代价函数图像与梯度下降函数
梯度下降过程中关于参数的迭代，直到最优
解出最优参数，列出最优方程
网友评论