统计学习方法（Machine Learning）------- 第1章 统计学习方法概论
第1章 统计学习方法概论
----------------------------------------------------------------------------------------------------------------------------
注: 这是机器学习的入门知识，也是很规范化的东西，我力求用最简单，最通俗的语言描述出来，然后附上Python版本代码和例子。
本人南京理工大学计算机硕士，主攻方向 ： 自然语言处理，数据挖掘和机器学习，导师：RuiXia
----------------------------------------------------------------------------------------------------------------------------
本章讲解内容：
1.1 统计学习
1.2 监督学习
1.3 统计学习三要素
1.4 模型评估与模型选择
1.5 正则化与交叉验证
1.6 泛化能力
1.7 生成模型与判别模型
1.8 分类问题，标注问题与回归问题
--------------------------------------------------------------------------------------------------------------------------------------------------------------------
1.1 统计学习
<统计学习方法3要素 = 模型 + 策略 + 算法>
统计学习以计算机及网络为平台，以数据为研究对象（数据分为两类：连续变量和离散变量），构建模型并应用模型进行分析和预测。其主要流程就是：从数据出发，提取数据的特征，抽象出数据的模型，发现数据中的知识，又回到对数据的分析与预测中去。特别是对未知新数据进行预测与分析。
（1）统计学习方法的总步骤：
后面关于模型，策略，算法 我们会一一解释。
（2）统计学习方法的分类
- 监督学习（supervised learning）
- 非监督学习（unsupervised learning）
- 半监督学习（semi-supervised learning）
- 强化学习（reinforcement learning）
强烈推荐 谷歌scikit-learn 总结了 6大类 (分类 回归 聚合 降维 模型选择 预处理 )及Python源代码：http://scikit-learn.org/stable/
----------------------------------------------------------------------------------------------------------------------------------------------------------------
1.2 监督学习
概念：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。也就是说样本必须带 类别或者称为标签
（1）输入空间：在监督学习中，将输入所有可能取值的集合称为 输入空间
（2）特征空间：每个具体的输入是一个实例，通常由特征向量表示，特征向量的空间叫做特征空间
（3）输出空间：在监督学习中，将输出所有可能取值的集合称为 输出空间
监督学习 从 训练数据集（训练集 training data） 中学习模型调整参数，对 测试数据集（测试集 test data ）进行预测
- 回归问题：输入变量与输出变量均为连续变量的预测问题
- 分类问题：输出变量为有限个离散变量输入的预测问题
- 标注问题：输入变量与输出变量均为变量序列的预测问题
-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
1.3 统计学习三要素
（1）模型
分两类：判别式模型 和 生成式模型（后面会细细讲解）
判别式模型：也成决策函数：主要通过最后函数和某个值得比较，例如 F>0 为第一类，F<0为第二类来判别，多类的话就有多个F ，通过多个F值交叉判断类别
生成式模型：又称为 概率模型，主要最后根据那个概率大，就是那个类别，当然所有概率之和必为 1
（2） 策略
有了假设模型之后呢，我们接下来考虑的就是 按照什么规则或准则，方法保证我们的模型会向着我们期望的方向发展呢
在这我们必须了解两个概念： 损失函数 和 风险函数
损失函数 度量模型一次预测的好坏。风险函数 度量平均意义下的模型预测的好坏。
（2.1）损失函数（loss function），又叫做 代价函数（cost function）
通俗的说呢：就是预测值和我们理想值之间的差距大小。
损失函数值越小，模型就越好，因为我们预测值更接近真实值啊，这就是策略，至于如何让损失函数减小，我们就要看后面的算法了。
（2.2）风险函数（risk function），又叫做 期望损失（excepted loss）
概念：就是 理论上的假设模型 f(X) 关于 联合分布 P（X,Y）的平均意义下的损失，说白了就是平均损失啊
------------------------结论：-------------------------
当样本容量很大时，采用经验风险最小化，效果理想
当样本容量较小时，如果还采用这种方式，很容易 形成 ‘过拟合现象 （over-fitting）’
因此我们需要引入 结构风险最小化（structual risk minimization），是为了防止过拟合现象而提出的策略，结构风险最小化等价于正则化（regularization），结构风险就是在经验风险上加上表示模型复杂度的正则化项（regularizer）或者罚项（penalty term）
（3） 算法
问题：策略选取正确了，就是说能保证我们的 loss fucntion 损失函数或代价函数的值变小，但是具体的改如何变小呢？改用那些方法呢？？
其实这个主要 就是 最优化工程里的知识了，我还没学哦
主要有：
- 梯度下降法
- 牛顿法和拟牛顿法
- 坐标轮转法
----------------------------------------------------------------------------------------------------------------------------------------------------------------------
1.4 模型评估和模型选择
统计学习的目的不仅仅是对已知数据 更加重要的是对未知的数据都能有很好的预测能力
不同的学习方法我们会有不同的模型。基于我们提出了
- 训练误差（training error）：
- 测试误差（test error）
误差率用 e 表示 就是估计错误的个数除以总个数，正确率用 r 表示，就是 估计正确的个数除以总个数
（1）过拟合与模型选择
过拟合：是指学习的时候选择的模型所包含的参数过多，以致于这一模型对已知数据预测的很好，但是对于未知的数据预测效果却很差的现象
模型选择：旨在避免过拟合现象并提高模型的预测能力
从图中我们可以看到，M =0 ，M= 1是均是直线，效果很差，M=9是百分百拟合，这样对未来未知数据效果也会很差，而M=3才是我们所要选择的模型啊
