高焕堂

从数据中寻找出W和B就是ML的主要任务之一。然而，ML并没办法直接计算出能够满足这个目标的W和B值，但是它会逐步地修正W和B，来满足输入空间与目标空间的对映关系（即规律）。本文将说明ML的逐步（迭代）学习策略及过程。

1 设定目标（Target）点

在上一期里，介绍了从X空间对映到Z空间的范例，其中提供了已知的X数据，以及对映的Z数据。如下表：

于是，ML就来寻找其中的对映规律，并利用W和B来表达和记住它。那么，ML（或AI）是如何寻找出W和B的呢？答案是：逐步（迭代）寻找出来的。一旦逐渐寻找出最佳的W和B，再搭配两个公式来表达出两个空间里数据的对映规律性。此时，人们告诉ML寻找出W和B，并且希望能够将X=[-5，0，5]很准确地对映到目标Z=[0，0.5，1]。然而，ML并没办法直接计算出能够满足这个目标的W和B值。但是它会逐步地修正W和B，来满足上述X=[-5，0，5]与目标Z=[0，0.5，1]的对映关系（即规律）。所以，我们通称Z空间这些点为：目标（Target）点。

现在就来观察ML寻找W和B的趋近过程。在这个过程中，每走一步就会衡量一次，计算出现在与目标值的误差。然后会修正W和B来缩小与目标值的误差。每一次计算目前误差，并进行修正W和B，这称为：1个回合。例如：

这画面上有3个按钮，可观察ML逐步趋近的过程。

2 迭代寻找权重W和B，并计算预测值

2.1 寻找10回合

请按下<迭代学习（10回合）>按钮，展开学习10回合，就找到了W=0.11，B=0。如下图所示：

基于这个W和B值，将X=[-5，0，5]对映到Z空间。其计算过程为：

依据人们的意愿，这个X=[-5]应该对映到目标值Z=[0]。然而，因为目前还没找到最好的W和B，所以经X*W+B=Y和Sigmoid（Y）=Z计算出来的值是Z=[0.37]，与目标值T=[0]有些误差。……