2.4　小结

在前两章中，我们讨论了很多知识，我还介绍了很多新术语。让我们来回顾一下吧。

在这一章中，我们编写了第一个监督学习程序。监督学习系统从样本数据中学习，每个样本由一个输入变量和一个标签组成。在我们的应用实例中，输入变量是座位预订的数量，标签是比萨的销量。

监督学习通过使用一个数学函数（通常称为数学模型）来拟合样本数据。在我们的第一个程序中，模型是由两个参数，即权重和偏置，确定的一条直线。用直线拟合样本数据的方法称为线性回归。

监督学习的第一个阶段是训练阶段，系统通过调整模型的参数来拟合样本数据。在这个搜索过程中，系统由损失函数来指导。该函数度量了当前的估计值与实际值之间的误差：损失越低，那么近似的准确率就越高。通常使用一个叫作均方误差的公式来计算这种损失。训练的结果是最优直线的权重和偏置，即系统能够找到的使得损失达到最小的参数。

在随后的监督学习的第二阶段，即预测阶段，我们使用在训练阶段获得的参数进行预测。预测阶段在参数化模型中输入未带标签的样本数据，然后输出关于该样本数据的标签值。例如，“今晚，你有望卖出42个比萨。”

对于在监督学习的训练和预测阶段，你可以将它们与编程的编译和运行阶段进行对比，从中找到它们之间的相似之处。训练阶段通常需要大量的样本数据和大量的计算，而预测阶段则十分便捷。即使在我们这样的小型程序中，train()函数也需要花费相当长的时间才能找到适合的参数，而predict()函数则是非常快速的乘法。

对于大型系统而言，训练和预测之间的差异会变得更加明显：训练一个语音识别系统可能需要数周时间，需要在多个GPU上处理数百万个音频文件。然后你就可以把这个系统部署到智能手机上，用它来预测单个样本的含义。

这一章有很多的知识。我保证不会再有哪一章会同时介绍这么多的新术语了。

从好的方面来说，在这一章中，我们从头开始编写了一个监督学习程序，这是一个相当大的成就。如今大多数机器学习软件，包括那些令人惊叹的深度学习系统，使用的都是监督学习。当然，这些系统比我们的比萨销量预测器要复杂得多。它们的学习样本可能是高分辨率的图片，而非一份座位预订清单；它们的模型可能不是只有两个参数的简单模型，而是包含成千上万个参数的复杂模型。尽管如此，它们仍然与我们的小型Python程序一样，具有相同的基本前提。

在下一章，我们将在这些前提的基础上介绍机器学习的一个最重要的算法。