机器学习中的“适合”是什么？

Question

什么是机器学习中的“适合”？ 我注意到在某些情况下它是训练的同义词。

有人可以用外行的话解释一下吗？

Answer 1

机器学习 model 通常以某种包含参数的函数形式指定。

一个示例是用于 model 数据的行，该数据具有可以根据特征x描述的结果变量y 。 在这种情况下，函数形式将是：

y = mx + b

拟合model 意味着找到符合训练数据的m和b值，这是一组点(x1, y1) , (x2, y2) , ..., (xN, yN) 。 可能无法设置m和b使得线穿过所有训练数据点，但是可以定义一些损失 function来描述拟合良好的线。 拟合算法的目的是最小化损失 function。 在直线拟合的情况下，损失可能是训练数据点到直线的总距离，但在数学上将损失设置为训练数据点到直线的总平方距离可能更方便。

通常，model 可能比线更复杂，并且包含许多参数。 对于某些模型，参数的数量不是固定的，并且可以作为拟合过程的一部分进行更改。 特征和结果变量可以是离散的、连续的和/或多维的。 对于无监督问题，没有结果变量。

在所有这些情况下，拟合仍然类似于上面的行示例，其中运行算法以查找 model 参数，这些参数在某种意义上解释了训练数据。 这通常涉及运行一些优化过程。

即使其他数据是从与训练数据相同的分布中采样的，与训练数据拟合良好的 model 也可能无法与其他非训练数据良好拟合。 可以使用一种称为正则化的技术来解决这个问题。