吴恩达机器学习理论基础解读

吴恩达机器学习理论基础

机器学习最常见的形式监督学习，无监督学习

线性回归模型概述

应用场景一：根据房屋大小预测房价

应用场景二：分类算法（猫狗分类）

核心概念：将训练模型的数据称为数据集(学习数据集以及描述数据集的基本符号)

在机器学习中，这里表示输入的标准符号是小写的x，我们称之为输入变量，也称为特征或输入特征。
对于第一个训练示例（这对数字是（2104，400）。

监督学习中的训练集包括输入特征（例如房屋大小）和输出目标（例如房屋价格）。

其中函数f代表model（模型）是通常要学习的人工智能算法模型。将输入的特性通过模型进行预测给出输出的特征。

最简单的一种线性模型预测f(x)=wx+b的形式来进行回归预测分析（linear function）

其中的函数f同样可能采用曲线的形式来进行描述，对于这种形式的模型我们统称为线性回归模型

更具体地说，这是具有一个变量的线性回归，其中短语“一个变量”表示只有一个输入变量或特征x，即房屋的大小。有一个输入变量的线性模型的另一个名称是单变量线性回归，其中 uni 在拉丁语中表示一个，而 variate 表示变量。

Cost Funcation代价函数（成本函数）

为了实现线性回归，第一个关键步骤是首先定义一个叫做成本函数的东西。
在机器学习中，模型的参数是您可以在训练期间调整以改进模型的变量。例如线性模型中的w和b两个参数（有时也称为系数或者权重）

而成本函数（代价函数）是解决评价模型拟合程度的问题。通常常见的成本函数，包括了均方误差损失

线性回归中平方误差成本函数的数学表示

成本函数的实现实例分析

首先注意到，对于f下标w，当参数w固定不变，即始终为常数值时，则只是x的函数，也就是说y的估计值取决于输入x的值。

将b设置为0的情况

可以根据模型的预测结果来确定对应该线性模型的成本函数（损失函数）不同的参数w会对应不同的成本函数值如图当w=1时成本最小因此取1最为合适

成本函数由两个参数变为三个参数的变化示意图如下

加入参数b后变为三维空间中的一个曲面（函数）是一个3d曲面图形


此时整个曲面的最低点也就是成本函数取到最小值的地方，此处的参数w和参数b即是我们的线性回归模型所需要的参数信息。

若此时沿z轴进行投影，可以得到等高线，沿梯度的方向进行移动可以确定最终的位置，为之后的梯度下降算法打下了一定的基础

线性回归线的对应关系线

成本函数取得最小值时所对应的情况

梯度下降（Gradient Descent）

你真正想要的是一种高效的算法，你可以用代码编写它来自动找到参数w和b的值，它们会给你最好的拟合线。使得成本函数取得最小值，可以通过梯度下降算法来进行实现

梯度下降和梯度下降的变体不仅用于训练线性回归，还用于训练所有 AI中一些最大和最复杂的模型。
梯度下降在机器学习中无处不在，不仅用于线性回归，还用于训练一些最先进的神经网络模型，也称为深度学习模型。

如图训练神经网络时所得到的成本函数（高度Z轴代表了成本函数值）

目标：从函数的顶部采用一定的算法，下降到函数的底部即成本函数对应最小的地方。