机器学习:绪论

西瓜书第一章的知识点如下:

1.1 基本术语

机器学习正是这样的一门学科,人的“经验”对应计算机中的“数据”,让计算机来学习这些经验数据,生成一个算法模型,在面对新的情况中,计算机便能作出有效的判断,这便是机器学习。

⭐另一本经典教材的作者Mitchell给出了一个形式化的定义,假设:

P:计算机程序在某任务类T上的性能。
T:计算机程序希望实现的任务类。
E:表示经验,即历史的数据集。
若该计算机程序通过利用经验E在任务T上获得了性能P的改善,则称该程序对E进行了学习。

🔍所有记录的集合为:数据集。


🔍每一条记录为:一个实例(instance)或样本(sample)。

  • 例如:西瓜的色泽或敲声,单个的特点为特征(feature)或属性(attribute)。

🔍对于一条记录,如果在坐标轴上表示,每个西瓜都可以用坐标轴中的一个点表示,一个点也是一个向量,例如(青绿,蜷缩,浊响),即每个西瓜为:一个特征向量(feature vector)


🔍一个样本的特征数为:维数(dimensionality),当维数非常大时:“维数灾难”。


🔍计算机程序学习经验数据生成算法模型的过程中,每一条记录称为一个“训练样本”,同时在训练好模型后,我们希望使用新的样本来测试模型的效果,则每一个新的样本称为一个“测试样本”。

  • 所有训练样本的集合为:训练集(trainning set)

  • 所有测试样本的集合为:测试集(test set)


🔍机器学习出来的模型适用于新样本的能力称为:泛化能力(generalization)。


🔍
预测值为离散值的问题为:分类(classification)。

预测值为连续值的问题为:回归(regression)。


🔍
训练数据有标记信息的学习任务为:监督学习(supervised learning),分类和回归都是监督学习的范畴。

训练数据没有标记信息的学习任务为:无监督学习(unsupervised learning),常见的有聚类和关联规则。

1.2 假设空间

归纳:从具体事实中归结出一般性规律,从特殊到一般的“泛化”过程。

演绎:从基础原理推演出具体状况,从一般到特殊的“特化”过程。

1.3 归纳偏好

(归纳)偏好:机器学习算法在学习过程中对某种类型假设的偏好。

奥卡姆剃刀(Occam's razor):若有多个假设与观察一致,则选择最简单的那个。

NFL定理:所有学习算法在考虑所有潜在的问题时的期望值都相同。

posted @ 2022-06-10 14:42  朝南烟  阅读(68)  评论(0编辑  收藏  举报
body { color: #000; background-color: #e6e6e6; font-family: "Helvetica Neue",Helvetica,Verdana,Arial,sans-serif; font-size: 12px; min-height: 101%; background: url(https://images.cnblogs.com/cnblogs_com/caolanying/1841633/o_2009041…ly1geq8oc9owbj21hc0u0th5.jpg) fixed; } #home { margin: 0 auto; opacity: 0.8; width: 65%; min-width: 1080px; background-color: #fff; padding: 30px; margin-top: 50px; margin-bottom: 50px; box-shadow: 0 2px 6px rgba(100, 100, 100, 0.3); }