计算机程序基于给定的、有限的学习数据出发（常基于每条数据样本是独立同分布的假设），选择某个模型方法（即假设要学习的模型属于某个函数的集合，也称为假设空间），通过优化算法更新模型的参数值（经验），以优化处理任务的指标表现，最终学习出较优的模型，并运用模型对数据进行分析与预测以完成任务。由以上，得出机器学习的四要素： 1）数据 即数据样本，样本由描述其各个维度的特征及目标值标签组成（特征和标签） 2）模型 模型（机器学习模型）简单来说就是，学习数据特征和标签的关系或者学习数据特征内部的规律 的一个函数。 模型是一种抽象的数学函数，它可以将输入数据映射到输出数据。 3）学习目标 学习目标：学习（训练、调试）到好的模型--> 极大化降低损失函数为目标 好的模型：预测值和实际值之间的误差尽可能的小 衡量预测值和实际值之间的误差的函数： 损失函数(Loss Function)或者代价函数(Cost Function) 不同的任务目标，往往需要不同的损失函数，如： 回归任务：均方误差损失函数-->所有样本的预测值 减去 实际值 求平方后 的平均值 分类任务：交叉熵损失函数 4）优化算法 有了极大化降低损失函数为目标，第一反应通常是求解损失函数的最小值以获得最优的模型参数。 但是由于机器模型的损失函数通常较为复杂，很难直接求最优解。 因此，可以通过优化算法（如梯度下降算法、牛顿法等）有限次迭代优化模型参数，尽可能降低损失函数的值，获得较优参数