# 梯度下降與數值優化 > 原文：[https://www.bookbookmark.ds100.org/ch/11/gradient_descence.html](https://www.bookbookmark.ds100.org/ch/11/gradient_descence.html) ``` # HIDDEN # Clear previously defined variables %reset -f # Set directory for data loading to work properly import os os.chdir(os.path.expanduser('~/notebooks/11')) ``` 為了使用數據集進行估計和預測，我們需要精確定義我們的模型并選擇一個損失函數。例如，在 Tip Percentage 數據集中，我們的模型假設存在一個單獨的 Tip 百分比，該百分比不會隨表而變化。然后，我們決定使用均方誤差損失函數，并找到最小化損失函數的模型。 我們還發現有一些簡單的表達式可以最小化 MSE 和平均絕對誤差損失函數：平均值和中位數。然而，隨著我們的模型和損失函數變得更加復雜，我們將無法再為最小化損失的模型找到有用的代數表達式。例如，Huber 損耗具有有用的特性，但很難用手加以區分。 我們可以用計算機用梯度下降法來解決這個問題，這是一種最小化損失函數的計算方法。