本文为Google机器学习教程的学习笔记，重点介绍了机器学习的基本概念、术语和算法模型，深入解析了线性回归模型，包括图形化理解、方程式表述和训练方法。详细探讨了经验风险最小化、平均平方损失(MSE)及其最小化过程，以及梯度下降方法在模型训练中的应用。
本文是Google机器学习教程（ML Crash Course with TensorFlow APIs）的学习笔记。教程地址：
https://developers.google.com/machine-learning/crash-course/ml-intro
1.ML介绍（定义及构成）
给出ML的直白定义
常用的术语，基本的算法模型
2.深入ML：线性回归
从图形化、方程式、训练方法来分析线性回归模型
- 图形化：
- 方程式
- 训练方法
通过经验风险最小化方法，将模型的损失降低到最小，而最常用的损失是平方损失，将所有样本的平方损失取均值，就是平均平方损失（MSE）。线性回归模型可以通过最小化MSE来训练。MSE的最小化通过梯度下降方法实现。
MSE计算方程：
模型优化架构：
整体思维导图：
梯度下降关键点有两个：
- 损失（成本）函数对参数求偏导——这是个数学问题
- 学习率的优化——太小则学习效率低，太大则容易无法收敛，不断尝试
对大数据的训练，可以采用随机梯度下降方法，每次迭代只选择一个样本；或者采用小批量随机梯度下降方法，每次迭代选择10-1000的样本；每次（或每几次）迭代输出损失，控制迭代次数，只要损失达到期望的限度内即可；
3. Google给出的模型调优建议
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
