上一篇我们以预测房价为例，具体介绍了机器学习的方法，本篇我们将继续讨论如何确定函数中的权重。
一种找出最佳权重的笨办法如下所示：
第一步：
首先，将每个权重都设为 1.0：
def
estimate_house_sales_price(num_of_bedrooms, sqft, neighborhood):
price = 0
# 一小撮这个
price += num_of_bedrooms * 1.0
# 一大撮那个
price += sqft * 1.0
# 或许再加一把这个
price += neighborhood * 1.0
# 最后，再多加一点点盐
price += 1.0
return price第二步：
将你知道的每栋房产的数据代入函数进行运算，检验估算值与正确价格的偏离程度：
用你的程序来预测每栋房屋的价格。
比如说，如果第一套房产实际成交价为 25 万美元，你的函数估价为 17.8 万美元，这一套房产你就差了 7.2 万。
现在，将你的数据集中的每套房产估价偏离值平方后求和。假设你的数据集中交易了 500 套房产，估价偏离值平方求和总计为 86,123,373 美元。这个数字就是你的函数现在的“错误”程度。
现在，将总和除以 500，得到每套房产的估价偏差的平均值。将这个平均误差值称为你函数的代价（cost）。
如果你能通过调整权重，使得这个代价变为 0，你的函数就完美了。它意味着，根据输入的数据，你的程序对每一笔房产交易的估价都是分毫不差。所以这就是我们的目标——通过尝试不同的权重值，使代价尽可能的低。
第三步：
通过尝试所有可能的权重值组合，不断重复第二步。哪一个权重组合的代价最接近于 0，你就使用哪个。当你找到了合适的权重值，你就解决了问题!
现在，让我们回想一下刚才你做了些什么。你拿到了一些数据，将它们输入至三个泛型的、简单的步骤中，最后你得到了一个可以对你所在区域任何房屋进行估价的函数。
下面的一些事实可能会让你更兴奋：
1. 过去 40 年来，很多领域（如语言学、翻译学）的研究表明，这种泛型学习算法已经超过了那些真人尝试明确规则的方法。机器学习的“笨”办法终于打败了人类专家。
2. 你最后写出的程序是很笨的，它甚至不知道什么是“面积”和“卧室数量”。它知道的只是通过改变数字来得到正确的答案。
3. 你可能会对“为何一组特殊的权重值会有效”一无所知。你只是写出了一个你实际上并不理解却能证明有效的函数。
4. 试想，如果你的预测函数输入的参数不是“面积”和“卧室数量”，而是一列数字，每个数字代表了你车顶安装的摄像头捕捉的画面中的一个像素。然后，假设预测的输出不是“价格”而是“方向盘转动角度”，这样你就得到了一个程序可以自动操纵你的汽车了！
如此，我们找到了一种确定权重的“笨”方法，其实，数学家有一些比较聪明的办法，下一篇我们将讲述如何用聪明的办法优化权重。
作者：Adam Geitgey
原文：https://medium.com/@ageitgey/machine-learning-is-fun-80ea3ec3c471#.ak1of1xbg
翻译：巡洋舰科技——赵95
相关文章：
