机器学习基本概念（待更新）

机器学习基本概念

Category: 吴恩达课程
Last Edited: Oct 11, 2018 9:53 AM
Tags: 听课笔记,吴恩达,机器学习

监督学习（Supervised Learning）

1. 定义一：利用一组已知类别的样本调整分类器的参数，使其达到所要求性能的过程，也称为监督训练或有教师学习。 理解：监督学习类似提供标准答案的学习过程，自己先做，然后校对标准答案来分析问题并找出通用的方法，这样下次再遇到类似的问题时就能很好得解答。这里的样本就是我们需要分析的题目，而分类器就是标准答案，需要预先调整好分类器的类型和数值，即先写好标准答案，再将样本放入分类器中进行分析。

   定义二：给定一个训练集，来让机器学习一个函数 h ： X — >Y，让 h(x) 能是一个与对应的真实 y 值比较接近的评估值。（吴恩达）

2. 训练资料：

   1. 输入物件：通常是向量

   2. 输出函数：

      • 一个连续的值（如南京房价一年来的波动情况）—>回归分析

        如：
        

                                                              房价分布 
        

      • 一个分类标签（如）—>分类

        如：

        

                                       肿瘤大小与是否为癌症的统计分布
        

      • 对于复杂的分类问题，往往可能有无穷多个维度，而不仅仅是上图中两个维度：

      

      面对无穷多的属性，我们可以使用[支持向量机](https://www.notion.so/chenhao/6c2aec18e61143d7ac9887d22658ef38)来解决此类问题。

无监督学习（Unsupervised Learning）

1. 定义：无监督学习是事先不告诉计算机数据类型（即类似于监督学习中告诉计算机这样的是肿瘤这样的不是肿瘤）的情况下，让计算机自行分类（比如形成聚类（Clustering））

降维

（书上第十章）（仅仅是个概念，详细的等以后学到再说）

1. 概念：通过数学变换将原始的高维属性空间转变为一个低维的子空间。

性能度量

仅仅是个概念，详细的等以后学到再说

损失的定义