Darling912的博客

这是做了一些决策树的相关的测试可以参考一下。

属性空间（输入空间）：属性的所有可能取值构成的集合，若属性为多维特征则是由多维属性张成的空间，属性空间。有监督学习的目的在于学习一个从输入空间 到输出空间 的映射 ，或是条件概率。  𝑓 𝑃 (𝑌 |𝑋)记录（样本、实例）：一个具体事物的属性描述，由属性向量表示。样例：拥有了对应标记的记录，由（记录，标记）对表示。标记空间（输出空间）：标记的所有取值构成的集合，标记空间。训练数据集：用以训练模型的数据集的子集，。验证数据集：用以选择模型的数据集的子集，。其中， 为第 个记录的第 个属性。

• 1957 年由 Rosenblatt 提出，是神经网络与支持向量机的基础。• 输入为实例的特征向量，输出为实例的类别，取 +1 和 -1；• 感知机对应于输入空间中将实例划分为正负两类的分离超平面，属于。• 感知机学习算法具有简单而易于实现的优点，分为原始形式和对偶形。• 利用梯度下降法对损失函数进行极小化；这里是对感知机的几何的性质的相关的解释。感知机 (Perceptron)• 导入基于误分类的损失函数；由此我们提出感知机的相关的定义。

我们不知道数据集中数据、特征之间的关系，而是要根据聚类或一定的模型得到数据之间的关系。在无监督学习中数据只有特征(feature)无标签(label)，是一种机器学习的训练方式，它本质上是一个统计手段，在没有标签的数据里可以发现潜在的一些结构的一种训练方式。比起监督学习，无监督学习更像是自学，让机器学会自己做事情。定义： 强化学习是让一个智能体（agent）在环境中通过尝试和错误来学习行为策略。智能体通过与环境进行交互，根据奖励信号来调整其行为策略，以达到最大化累积奖励的目标。