目标：最小化成本函数

在上一节中，我们介绍了成本函数（常称为损失函数 (loss function)），它们是衡量机器学习 (machine learning)模型表现好坏的一种方式。请记住，成本函数接收模型的预测值和实际目标值，并计算出一个单一数值，代表总误差或“成本”。高成本意味着模型的预测值与实际值偏离较远，而低成本则表示预测值更接近真实情况。

那么，当我们训练机器学习模型时，目标是什么？通常是让模型尽可能准确。用成本函数的术语来说，这直接等同于找到能使成本函数产生尽可能低的值的模型参数 (parameter)。

优化过程可以想象成调收音机。模型的参数（例如，如果拟合一条直线，就是斜率 $m$ 和截距 $b$）是你可以转动的旋钮。成本函数告诉你，在特定旋钮设置下，你有多少噪声（误差）。目标是调整这些旋钮，直到找到能提供最清晰信号的设置，这意味着最少的噪声，或者说最小成本。

为什么是最小化？

最小化成本函数是基本的，原因在于：

1. 量化 (quantization)“最佳拟合”： 成本函数为模型的“最佳”提供了数学定义。通过最小化它，你正在根据该定义，找到能使模型尽可能好地拟合训练数据的参数 (parameter)。例如，最小化均方误差（MSE）意味着找到能减少预测值和实际值之间平均平方差的参数。
2. 驱动学习： 调整模型参数以降低成本的过程，基本上就是许多机器学习 (machine learning)场景中“学习”的含义。模型会迭代地改变其参数，检查成本，然后再次调整，始终尝试趋向更低的成本值。

考虑一个非常简单的情况，其中我们的成本只取决于一个参数，我们称之为 $w$。当针对 $w$ 的不同值进行绘制时，成本函数可能看起来像一个碗的形状。

一个简单的抛物线成本函数 $Cost = w^2$。目标是找到参数 $w$ 的值（在这种情况下，$w=0$），该值对应曲线上的最低点，代表最小成本。

我们的目标是找到那个碗最底部 $w$ 的值。这种寻找函数输入（或多个输入）以产生最小输出值的过程称为优化。

在机器学习中，我们正在优化模型的参数以最小化成本函数。虽然找到像 $Cost = w^2$ 这样简单函数的最小值是直接的（显然在 $w=0$ 处），但实际机器学习模型的成本函数通常复杂得多，可能取决于数百万个参数。

我们如何高效地找到这个最低点，尤其是在处理许多参数时？这就是微积分，特别是导数，发挥作用的地方。正如我们之前所看到的，导数告诉我们函数的斜率或变化率。我们可以使用斜率的这些信息来引导我们走向成本函数的最低点。这是梯度下降 (gradient descent)等算法背后的核心思想，我们接下来会介绍。