科个普啦—机器学习（下）

在机器学习（上）里谈到了机器是如何学习的，当前主流的学习方法是监督式学习，即用大量带标签的数据训练机器使得机器知道如何解决问题。

那么训练就得有效果，指导机器往好的方向学习，那么如何指导机器的学习方向？主流的方法用的是梯度下降的方式。梯度就是方向的意思，下降是往误差小的方向去（即好的方向）

机器从抽象意义上看的由许多参数构成的数学模型，数学模型可以认为就是一个函数。函数有输入和输出，为了让这个函数解决我们的问题，我们就得优化他，而优化则需要衡量他的输出和正确答案之间的误差，这个误差越小则说明我们的对问题解决的越好。

这里我们整理一下逻辑。

机器学习->优化模型->最小误差

知道了和正确之间的差距，就要缩小差距，缩小的方法就是对误差做的梯度下降。

既然机器在抽象意义上是个函数，我们用最简单的函数（只有一个参数）来说明问题，在二维平面把它的图画出来是这样的。

横坐标是函数的参数，纵坐标是误差。

请看横坐标函数的参数决定了误差，我们要让误差最小，则要找到对应的这个参数。

找的方法就是梯度下降。

步骤：

1. 刚开始时，我们的函数初始化后会随机在一个位置

2. 梯度下降就是求这个位置的梯度（方向）

2. 然后往误差小的方向挪动横坐标，从而得到新的位置。

不断重复2、3步这个过程，让函数的误差最小，或者只要小到满足的你预期即可。我们也就得到了这个最能解决问题的数学模型了，即这个就是训练好的机器了。