本文介绍了机器学习的基本概念，包括数据集、监督学习（分类和回归）、无监督学习（聚类），以及模型评估方法如留出法、交叉验证、性能度量（如P-R曲线、AUC和代价敏感错误率）。作者强调了泛化能力和选择合适模型的重要性，以及评估模型时考虑的复杂性与简洁原则。
第一章绪论
这一章主要介绍了一些机器学习的一些基本概念，对机器学习有了更深入的了解。
数据集(data set)、示例（） or 样本（sample）、属性（attribute） 属性值（attribute value）、
属性空间（attribute space） or 样本空间 or 输入空间：这三个是同一个意思，属性张成的空间。
机器学习主要分两类
有监督学习 ：主要有分类 和回归两种类型
无监督学习：聚类为代表，不需要标记信息，聚类：将训练集中的数据分成若干个组，每个组称为一簇（cluster）
假设空间：可能拟合训练集的模型
版本空间：所有能够拟合训练集的模型构成的集合
泛化（generalization）：训练得到的模型再新样本上面的预测能力的准确性，判断模型的好坏。
分布：假设样本服从一个D分布，然后通过足够多的样本来推测出D分布的信息，这就可以对新样本进行预测。这就很想一种经验学习，积累足够多的经验，来预测可能发生的事情。
奥卡姆剃刀(Occam‘s razor) ：若有多个假设与观察一致，那就选择最简单的那个。
“没有免费的午餐定理”(NFL)&#x
最低0.47元/天 解锁文章
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
