版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/qq_30354455/article/details/79830318
看了谷歌机器学习的视频，受益颇多，纯属想记录下免得以后忘了，٩(๑❛ᴗ❛๑)۶
预测值与真实值
如图：
横坐标——房屋面积
纵坐标——房价
点——样本数据（给定的x值的真实结果）
直线——y = wx+b, w为斜率，b为偏差（这条线从本质上反映了这条线在预测任何给定样本时的效果如何；线上的每个点都是给定的x值的预测结果）
误差（loss）——样本数据与直线的距离（点在上方：误差为负值；点在下方：误差为正值；点在线上：零误差）
好用的回归损失函数
给定样本的L2损失也称为平方误差、预测值与实际值只差的平方、（预测值-实际值）的平方、（y-y’）的平方、方差
如今，我们在训练模型时，并非仅专注于尽量减少某一个样本的误差，而是最大限度地减少整个样本的
训练模型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。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；这一过程称为经验风险最小化。
均方误差 (MSE) 指的是每个样本的平均平方损失。要计算 MSE，请求出各个样本的所有平方损失之和，然后除以样本数量
