一、机器学习的基本要素

• 机器学习的基本要素: 模型 学习准则 优化算法
  其中模型分为线性和非线性。学习准则有用损失函数来评价模型的好坏，还有经验风险最小化准则，大概意思就是在平均损失函数中获得最小的损失函数，但是因为样本可能很小，不全面，会造成过拟合问题，因此引入结构风险最小化准则，也就是参数的正则化来限制模型能力，防止模型过拟合。

• 模型定义: 通过学习算法在训练集上进行优化参数$\theta$，能够获得在测试集合上与真实值接近的映射关系的函数$f(x,\theta )$就是模型。

• 不同深度学习的任务区别就是输出的区间不同： 如二分类，多分类以及回归问题（连续输出）

• 在名为模型的$f(x,\theta )$中，$x$为输入的测试集，$\theta$为可优化的参数，而$m$为参数的个数

• 模型分为线性和非线性两种。

• 分布的相似性用KL散度和交叉熵损失来描述

• 损失函数为非负实函数，用来描述模型预测和实际的标签之间的差异

• 损失函数有：0-1损失函数、平方损失函数、交叉熵损失函数、Hinge损失函数。其中0-1损失函数数学性质不好，导数为0且不连续。 平方损失函数用来预测，交叉熵损失函数用来分类，Hinge函数用来二分类。

• 经验风险：训练集上的平均损失 也即是所有验证集的损失和取平均。其函数表达式如下
  

• Empirical–经验的。

• 经验风险最小化(Empirical Risk Minimization,ERM)准则 也就是找到一组参数，使得经验风险最小化。

• 未解决经验风险最小化过程中的过拟合问题，引入参数正则化来限制模型的能力。

• 限制模型能力,使其不要过度地最小化经验风险。这种准则就是结构风险最小化(Structure Risk Minimization,SRM)准则。

• 机器学习的训练过程其实就是最优化问题的求解过程。

• 验证数据集（validation dataset）是模型训练过程中留出的样本集，它可以用于调整模型的超参数和评估模型的能力。

• 但测试数据集（test dataset）不同，虽然同是模型训练过程中留出的样本集，但它是用于评估最终模型的性能，帮助对比多个最终模型并做出选择。https://cloud.tencent.com/developer/article/1119094

• 小批量随机梯度下降方法有收敛快,计算开销小的优点,因此逐渐成为大规模的机器学习中的主要优化算法。

• 线性回归(Linear Regression)是机器学习和统计学中最基础和广泛应用的模型,是一种对自变量和因变量之间关系进行建模的回归分析。自变量数量为 1 时称为简单回归,自变量数量大于 1 时称为多元回归。

• ⊕ 定义为两个向量的拼接操作

机器学习的简单示例：线性回归

• 规定一组样本，我们希望学习到最优的线性回归模型的参数$w$，我们有四种参数估计的方法：经验风险最小化，结构风险最小化，最大似然估计，最大后验估计。