1、知识点
1.1、标签：
我们要预测的真实事物：y 即线性回归中的变量y值
特征：指用于描述数据的输入变量：x 即线性回归中的｛x1，x2，。。。，xn｝变量
样本：指诗句的特定实例：x
有标签样本：｛特征，标签｝：｛x，y｝ 用于训练模型
无标签样本： ｛特征，？｝：｛x，？｝ 用于对新数据做出预测
模型：可将样本映射到预测标签：y' 由模型的内部参数定义，这些内部参数值是通过学习得到的
1.2、训练：
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 【y = k*x+b】 ，确定k和b的值
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，这一过程叫做“经验风险最小化”
损失：是对糟糕预测的惩罚，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，否则损失会比较大
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
定义损失函数：
1.3、模型训练：
首先对权重w和偏差b进行初始猜测，然后反复调整这些猜测，直到获得损失可能最低的权重和偏差为止
收敛：机器训练的程度
计算损失：
1.4、梯度下降法：
梯度：一个向量（矢量），表示某一函数在该点处的方向沿着该方向取得最大值，即函数在该点处沿着该方向（梯度的方向）变化最快，变化率最大
方向：
沿着 负梯度方向进行下一步探索
1.5、学习率 ：
应适当（不应过大或过小）
沿着“负梯度”方向的下一步：
1.6、 超参数：
是在开始学习之前设置的参数，而不是通过训练得到的参数数据
【超参数】是编程人员在机器学习算法中用于调整的旋钮 例如：学习率，神经网络的隐含层数量等
