Det er vigtigt at bemærke, at træningsprocessen kan variere betydeligt mellem forskellige modeller. Derfor er det følgende kun et eksempel på, hvordan man kunne træne en maskinlæringsmodel.
Til at træne prisforudsigelsesmodellen bruger vi data fra de 800 huse, som vi tog fra til træning.
Modellen tager et af disse huse, og baseret på alder, størrelse og placering forsøger den at forudsige prisen. I begyndelsen vil den sandsynligvis ramme ved siden af, men for hvert forsøg bliver den bedre til at forudsige prisen. Specifikt gør den det ved gradvist at justere modellens vægt og bias.
Tænk på vægtene som en værdi, der fortæller os noget om forholdet mellem den specifikke feature, vi kigger på (fx størrelse) og prisen. Det er en værdi mellem 0-1, der bestemmer, hvor højt vi vurderer en feature i forhold til at forudsige prisen. Hvis vægten er høj, så vurderes en feature højt for at forudsige prisen.
Bias kan opfattes på samme måde, men for alle features (alder, størrelse, placering) i sammenhæng.
Til at begynde med genereres vægte og bias tilfældigt. Og på grund af dette er de første prisforudsigelser sandsynligvis ved siden af. Men da vi kender den faktiske pris på vores hus, kan vi beregne, hvor langt forudsigelsen var ved siden af, hvilket giver os en tabsværdi. Og med denne tabsværdi kan vi gå tilbage og justere modellens vægte og bias.
Og som et resultat af dette, er modellen blevet lidt bedre til at forudsige pris, efterhånden som vægte og bias bliver justeret. Og det gør modellen med alle husene i træningssættet, og løber igennem dem mange mange gange. Hver gang modellen justerer vægte og bias, bliver den en lille smule bedre til at forudsige prisen. Når denne proces er færdig, har vi en trænet model.