机器学习入门----从宏观至核心的理解

本文内容：数学建模，损失函数，结构风险，过拟合，SRM等

一·提前总结：

---

二·宏观概念：数学建模&机器学习&深度学习

1.数学建模：以数学公式为手段对现实模拟。

应用举例：降雨后的洪水计算，得到洪水过程线。

• 现象：中小流域按照水往低处流来划分流域。
• 思想：建模后，依赖一定的策略通过算法调整参数，模型结果与实际结果在误差范围内一致，不断调整减少误差。
• 建模：初步计算参数建模，然后通过三个公式模拟产流、汇流、河道演算

启发式算法：

• 概念：直白解释就是通过仿生学现象抽象出来的经验，指导求最优解的一个技术统称，目前还没有完备理论体系。
• 作用：常常来解决NP-hard难题
• 算法：遗传算法、退火算法、人工鱼群算法、蜂群算法、人工神经网络(ANN)等

2.机器学习：损失函数为核心

• 概念：机器学习是,寻找目标函数,最小化函数误差的过程。
• 特点：算法都在围绕准确率算损失，找到模型正确率与真实值的距离测度。
• 算法：多元线性回归，逻辑回归，SVM，决策树，随机森林，聚类。
• 举例：GBDT在不断的提高错误样本的权重以达到提高准确率。
• 分类：监督学习,无监督学习,强化学习