基本概念
假设函数:假设函数用 hθ 表示,并且使用我们选择的模型。对于一个输入数据 x(i),模型预测输出为 hθ(x(i))
损失函数:用 L 表示。 将对应于真实数据 y 的预测值 z(hθ) 作为输入,输出 y 与 z 之间的差异。所求的是单个样本之
间的差异
成本函数:用 J 表示。经常用于评估一个模型的性能,是损失函数对于整个样本数据的求和。
上图中,中括号内i = 1,2,3…m 时,就是损失函数,对其求和除以 m 得出成本函数。
因此成本函数和损失函数是两个不同的概念,虽然不是重要的知识,但还是要分清。
公式
因为在机器学习中,一般都是向量的计算,很少用 for 循环进行单个样本间的计算 (计算效率太低) ,所以图中并没有添加损失函数,了解一下就好。对于单个样本间的计算,我会在下一节梯度下降算法中详细解释。