机器学习爱好者必读的入门指南

因此，如果我们计算成本函数对每个权重的偏导数，我们就可以从每个权重中减去这个值。这将使我们离山脚更近一步。继续这样做，最终我们会到达山的底部，并为我们的权重找到最好的值。(如果不理解，别担心，继续读下去)。

这是一种为函数寻找最佳权重方法的高级总结，称为批量梯度下降（batch gradient descent)。当你使用机器学习库来解决实际问题时，所有这些计算都会为你完成。但是对正在发生的事情有一个好的了解仍然是有用的。

还跳过了什么内容呢？

我所描述的三步算法叫做多元线性回归（multivariate linear regression)。你正在估算一条贯穿你的所有家庭数据点的直线的方程。然后，根据房子在你的线上的位置，用这个方程来预测你以前从未见过的房子的销售价格。这是一个非常有用的主意，你可以用它来解决“真正的”问题。

虽然我向你展示的方法适用于简单的情况，但它并不适用于所有情况。其中一个原因是，房价并不总是简单到可以遵循一条连续的线。

但幸运的是，有很多方法可以解决这个问题。有许多其他的机器学习算法可以处理非线性数据（如神经网络（neural networks）或带内核的支持向量机（support vector machine, SVM）。也有一些更巧妙地使用线性回归的方法，允许更复杂的线被拟合。在所有情况下，找到最佳权重的基本思想仍然适用。

另外，我忽略了 过拟合（overfitting）的概念。一个简单的例子，有一组权重，它总是能够很好地预测原始数据集中房屋的价格，但实际上从未适用于任何不在原始数据集中的新房屋。但有一些方法可以解决这一问题（如正则化(regularization) 和使用交叉验证数据集（cross-validation）。学会如何处理这个问题是学习如何成功应用机器学习的关键部分。

换句话说，虽然基本概念相当简单，但是应用机器学习并获得有用的结果需要一些技巧和经验。但这是任何开发人员都可以学习的技能！

机器学习有魔法吗?

（编辑：广州站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!