机器学习三要素

通过对机器学习探索，发现其实无论用什么方法想要达到什么目的，其最终都是要求的一个能对新数据进行预测的公式，该公式可能是以概率的形式出现,即P（Y|X）；也可能是以函数的形式出现，即y=f（x）。那我们究竟如何才能得到我们想要的公式呢？

首先我们得明确我们求解思路，而思路可以归咎为以下公式：                  公式（方法） =    模型  +  策略  +   算法

什么是模型?

模型的确定主要明确自定义的预测函数长什么样子，和上面所说的一样，也就两种形式P（Y|X）和y=f（x），而由于在上述两个公式中必不可少的存在未知参数ceta，而且一定不止一个，因此在ceta不确定的情况下，上述公式均表现为各类的集合。由此，我们也就明白自己需要怎么进行下去了，即求解出公式中的未知参数确定下来最后的公式，并用该公式进行预测。那我们该如何确定ceta（n个参数）的值呢？

什么是策略？

在明确模型的“样子”后，接下来我们就需要利用已知的数据对未知参数的探索了，那我们怎么进行呢？首先我们知道，无论是训练数据还是测试数据，最终的都希望通过公式能预测到和真实情况一样的结果，那么事实肯定是可能一模一样的了，那就一定存在误差了，也可称为损失！那我们能否利用损失最小来求未知参数呢？答案是一定的。从而我们引入损失函数。

           常见的损失函数主要有：

除了损失函数外，我们常提及的还有一个损失函数的名称  “风险函数”，那二者有什么不同呢？