AI基础——如何拟合

AI基础——如何拟合

引用

CSDN

1.

https://blog.csdn.net/Victorzt/article/details/139864178

机器学习的核心目标是通过数据训练模型，使其能够准确预测或分类新数据。在这个过程中，"拟合"是一个关键概念。本文将通过类比和具体例子，帮助读者理解拟合的原理及其在机器学习中的应用。

人类学习与机器学习的类比

让我们从人类学习的过程开始。在学习过程中，人们会做大量的练习题，遇到错误或不会做的题目时，通过查看答案来学习。考试时，通过做题的准确率来评价学习效果。

机器学习的过程与此类似，也分为"学习"（训练）和"考试"（测试）两个阶段。在机器学习领域，这两个阶段分别被称为"训练"和"测试"。

基本概念解析

在机器学习中，数据是学习的基础。数据量越大，模型通常学得越好，这与人类通过大量练习题来学习的道理相同。

样本、特征与标签

• 样本：用于训练和测试的数据集。
• 特征：样本中的输入部分，例如身高、体重等。
• 标签：样本中的答案部分，例如体型（瘦、正常、胖）。

根据样本是否包含标签，机器学习可分为两类：

• 有监督学习：样本包含标签。
• 无监督学习：样本不包含标签。

通常，我们会将样本分为两部分：

• 训练集：用于训练模型的数据，占比通常较大（如90%）。
• 测试集：用于评估模型性能的数据，占比通常较小（如10%）。

拟合的概念与意义

拟合在百科中的解释是：通过一条光滑的曲线连接平面上一系列的点。在机器学习中，拟合意味着找到一个函数，使得这个函数能够尽可能准确地预测或分类新数据。

一个具体的例子

假设我们有一个任务：根据人的身高和体重判断体型（瘦、正常、胖）。我们有10000条样本数据，每条数据包含三个字段：身高、体重和体型。

• 特征：身高、体重
• 标签：体型（瘦、正常、胖）

我们将这10000条数据分为两部分：

• 训练集：9000条数据
• 测试集：1000条数据

训练模型的目标是找到一个函数，使得输入身高和体重后，能够输出正确的体型判断。这个函数可以表示为：

[ y = a \times x_1 + b \times x_2 + c ]

其中：

• ( y ) 是预测的体型
• ( x_1 ) 是身高
• ( x_2 ) 是体重
• ( a )、( b )、( c ) 是函数参数

由于实际的标签是离散的（只有瘦、正常、胖三种情况），而函数输出是连续的，因此需要通过激活函数将连续值转换为离散标签。

训练过程就是通过调整参数 ( a )、( b )、( c )，使得函数计算出的预测值 ( \hat{y} ) 尽可能接近实际标签 ( y )。这个过程可以用下面的示意图来说明：

总结

机器学习中的拟合过程，本质上是通过训练数据找到一个最优的函数映射关系。这个过程虽然追求的是"尽可能"的拟合，但并不意味着训练集上的拟合度越高模型就越好。这是因为：

1. 过度拟合（Overfitting）：模型在训练集上表现很好，但在新数据上泛化能力差。
2. 欠拟合（Underfitting）：模型在训练集和新数据上表现都不好。

因此，机器学习的目标是在拟合度和泛化能力之间找到一个平衡点。

这种用简单的语言就能说明白的道理，为了严谨性，必须转化为数学语言的做法，何尝不是另一种拟合！