机器学习（一）线性分类器——损失函数——梯度下降法

最新推荐文章于 2025-07-03 09:06:21 发布

原创

最新推荐文章于 2025-07-03 09:06:21 发布 · 1.3k 阅读

6 ·

CC 4.0 BY-SA版权

文章标签：

#机器学习 #深度学习

这篇博客介绍了机器学习的基础，重点关注监督学习中的线性分类器。文章阐述了线性分类器的目标函数，即通过线性函数进行分类，并解释了损失函数在衡量预测与实际分类差异中的作用。接着，博主讨论了梯度下降法作为优化权重以最小化损失函数的常用方法。最后，总结指出线性分类器在简单任务中的应用，而多层神经网络能更好地处理复杂问题。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

个人学习笔记，可能漏洞百出

机器学习

机器学习是人工智能的核心，是一种借鉴于人的学习行为，训练机器使其可以自行分析数据（图片，声音，文字）解决问题的方法。
机器学习基于学习方法可以分为


监督学习	根据已有经验分析输入数据（的分类），学习结果为函数，应用最为广泛
非监督学习	分析没有标签的输入数据，学习结果为可以对数据分类的类别，未来的方向
强化学习	对系统的输入进行奖惩，从而优化学习的方法

监督学习

Supervised Learning的特点是有已知的，被分类好的数据作为训练数据集。，可以解决的问题可以分为两类


分类学习	预测分类标签，如图像识别。从训练数据中抽取所需要的特征形成特征向量。将特征向量及其分类一并送入学习算法，训练一个预测模型。
回归预测	预测一个连续值，如根据教育水平预测收入。采用同样的特征抽取方法作用于新测试数据，得到用于测试的特征向量，最后使用预测模型对待测试的特征向量进行预测并得到结果。