深入了解机器学习之训练与损失

港控/mmm° 2022-05-27 03:18 189阅读 0赞

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，图 3 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。
 *  蓝线表示预测。

![两个直角坐标曲线图，每个曲线图显示一条线和一些数据点。在第一个曲线图中，线与数据极其不吻合，所以损失较大。在第二个曲线图中，线与数据比较吻合，所以损失较小。][LossSideBySide.png]

**图 3. 左侧模型的损失较大；右侧模型的损失较小。**

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：

![70][]

![70 1][]

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。

——来自Google机器学习速成课程

[LossSideBySide.png]: /images/20220527/499cbfa9597945839960c2d968d3471b.png
[70]: /images/20220527/0b502a0505024d8ba648bab9b4e6db97.png
[70 1]: /images/20220527/11ca1c639f034d79a9148c1206f628b0.png