ML 教程 1 - 假设函数和损失函数的基本定义

最近在实验室真的没什么忙的，项目早已进入尾声，自己也没兴趣看 Android，索性一心一意学起了 Machine Learning，那就把这段时间以来学到的东西做成一个教程吧。考虑到写的东西有人会看，大多数人又不喜欢公式，那我尽量不用或者用贼简单的公式吧。

假设函数（hypothesis）

讲真，这个名字翻译过来是挺别扭的。假设函数其实就是让你根据一些数据推导出的另一些数据，比如根据房子的大小 x 预测房子的价格 y，那么就有 y = h(x)，如果认为 x 和 y 是纯线性关系，那就有 h(x) = ax，a 是常数。当然这只是一种简单的情况，实际问题很少有纯线性关系。

损失函数（cost function）

根据假设函数推导出的 y 可能和真实数据有区别，损失函数就是用来衡量这个区别的大小的。如果把损失函数用 J 表示，真实数据用 y_ 表示，那很自然就想到，J = | y - y_ | = | ax - y_ | 。

小结

其实假设函数和损失函数的基本定义就这么多，很容易理解，只不过因为实际问题往往比较复杂，所以需要对基本的定义进行一些拓展，下一篇文章再讲一些它们在实际问题中的应用吧。