【深度学习笔记】机器学习基本概念

• 特征：待学习对象的属性
• 标签：对待学习对象的某一指标的预测
• 样本：标记好特征以及标签的的待学习对象
• 数据集：一组样本构成的集合
• 训练集：用来训练模型的样本集合
• 测试集：用来检验模型好坏的样本集合
• 特征向量：表示一个待学习对象所有特征构成的$D$维向量$x\dot{=}[x_1,x_2,...,x_D{]}^T$

假设训练集$D$由$N$个样本组成，其中每个样本都是独立同分布的，即独立地从相同的数据分布中抽取的，记为
$D\dot{=}${$(x^{(1)},y^{(1)}),(x^{(2)},y^{(2)}),...,(x^{(N)},y^{(N)})$}

对于给定训练集$D$，我们希望让计算机从一个函数集合$ϝ=${$f_1(x),f_2(x),...,$}中自动寻找一个“最优"的函数$f^{\ast }(x)$来近似每个样本的特征向量$x$和标签$y$至今的真实映射关系，对于一个样本$x$，可以通过函数$f^{\ast }(x)$来预测其标签的值$\hat{y}\dot{=}{f}^{\ast }(x)$

寻找最优函数通过学习算法$\Lambda$来完成。

计算预测结果的准确率$Acc(f^{\ast }(x))\dot{=}\frac{1}{|D^{{}^{\prime }}|}{\sum }_{(x,y)\in D^{{}^{\prime }}}I(f^{\ast }(x)\dot{=}y)$，其中$D^{{}^{\prime }}$为测试集，$I(\cdot )$为指示函数