大家好！我是新人唱跳 rap 打篮球，是一个立志 2025 年开始每周都能水一篇文章的人

---

机器学习 01-1
机器学习 01-2
机器学习 02
机器学习 03-1 如何建立模型 - 选择算法建立模型

第四步 训练模型

训练模型就是用训练集中的特征变量和已知标签，根据当前样本的损失大小来逐渐拟合函数，确定最优的内部参数，最后完成模型。

虽然看起来挺复杂，但这些步骤，我们都通过调用 fit 方法来完成。

fit 方法是机器学习的核心环节，里面封装了很多具体的机器学习核心算法，

我们只需要把特征训练数据集和标签训练数据集，同时作为参数传进 fit 方法就行了。

linereg_model.fit(X_train, y_train) #用训练集数据，训练机器，拟合函数，确定内部参数

运行该语句后的输出如下：

LinearRegression()

这样，我们就完成了对模型的训练。

训练模型是机器学习的核心环节，怎么只有一句代码？

其实是因为优秀的机器学习库的存在，我们可以用一两行语句实现很强大的功能。

所以，不要小看上面那个简单的 fit 语句，这是模型进行自我学习的关键过程。

损失

在上面这个过程里，fit 的核心就是减少损失，是函数对特征到标签的模拟越来越贴切。

那么它具体是怎么减少损失呢？这里看一个模型从不靠谱到比较靠谱的过程。

这个拟合的过程，同时也是机器学习算法优化其内部参数的过程。

而优化参数的关键就是减小损失。

那什么是损失呢？它其实是对糟糕预测惩罚，同时也是对模型好坏的度量。

损失也就是模型的误差，也称为成本或代价。就是当前预测值和真实之间的差距的体现。

它是一个数值，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 0；如果不准确，就有损失。

在机器学习中，我们追求的当然是比较小的损失。

不过，模型好不好，还不能仅看单个样本，还要针对所有数据样本，找到一组平均损失 “较小” 的函数模型。

样本的损失大小，从几何意义上基本可以理解为预测值和真值之间的几何距离。

平均距离越大，说明误差越大，模型越离谱。

在下面这个图中，左边是平均损失较大的模型，右边是平均损失较小的模型，模型所有数据点的平均损失很明显大过右边模型。

因此，针对每一组不同的参数，机器都会基于样本数据集，用损失函数算一次平均损失。

而机器学习的最优化过程，就是逐步减少训练集上损失的过程。

具体到这个回归模型的拟合，它的关键环节就是通过梯度下降，逐步优化模型的参数，使训练集误差值达到最小。

这也就是我们刚才讲的那个 fit 语句所要实现的最优化过程。

梯度下降

线性回归中计算误差的方法很好理解，就是数据集中真值与预测值之间的残差平方和。

那梯度下降是什么呢？梯度下降描述的是怎么一步一步地走到损失曲线中的最小损失点

梯度下降其实和下山一样。当你站在高处，你的目标就是找到一系列的参数，让训练数据集上的损失值最小。

那么该往哪里走才能保证损失值最小呢？

关键就是通过求导的方法，找到每一步的方向，确保总是往更小的损失方向前进。

这里，你可以看出方向是有多么的重要。机器学习最优化之所以能够拟合出最佳的模型，就是因为能够找到前进方向。

梯度下降，理解到这里就可以了。

到这里我们完成了模型的建立和训练，后面就需要对训练好的模型进行评估和优化了

今天就到这里了，晚安!

---

我是新人唱跳 rap 打篮球，是一个立志 2025 年开始每周都能水一篇文章的人，希望我的文章可以给你带来好心情！