简单来说, 训练 模型表示通过有标签样本来学习(确定)所有权重和偏差的理想值。在监督式学习中,机器学习算法通过以下方式构建模型:检查多个样本并尝试找出可最大限度地减少损失的模型;这一过程称为 经验风险最小化
损失是对糟糕预测的惩罚。也就是说,损失是一个数值,表示对于单个样本而言模型预测的准确程度。如果模型的预测完全准确,则损失为零,否则损失会较大。训练模型的目标是从所有样本中找到一组平均损失“较小”的权重和偏差。例如,下图左侧显示的是损失较大的模型,右侧显示的是损失较小的模型。关于此图,请注意以下几点:
红色箭头表示损失
蓝色表示预测
请注意,左侧曲线图中的红色箭头比右侧曲线图中的对应红色箭头长得多。显然,相较于左侧曲线图中的蓝线,右侧曲线图中的蓝线代表的是预测效果更好的模型
您可能想知道自己能否创建一个数学函数(损失函数),以有意义的方式汇总各个损失
平方损失:一种常见的损失函数
接下来我们要看的线性回归模型使用的是一种称为 平方损失 (又称为 L2损失 )的损失函数。单个样本的平方损失如下:
= the square of the difference between the label and the prediction = (observation - prediction(x))^2 = (y - y')^2
均方误差(MSE)指的是每个样本的平均平方损失。要计算 MSE,请求出各个样本的所有平方损失之和,然后除以样本数量:
$$
MSE = \frac{1}{N} \sum_{(x,y)\in D} (y – prediction(x))^2
$$
其中:
$(x, y)$指的是样本,其中
$x$指的是模型进行预测时使用的特征集(例如,温度、年龄和交配成功率)
$y$指的是样本的标签(例如,每分钟的鸣叫次数)
$prediction(x)$指的是权重和偏差与特征集$x$结合的函数
$D$指的是包含多个有标签样本(即$(x, y)$)的数据集
$N$指的是$D$中的样本数量
虽然 MSE 常用于机器学习,但它既不是唯一实用的损失函数,也不是适用于所有情形的最佳损失函数
Be First to Comment