mlamao的博客

1、错误率&精度 分类错误的样本数占样本总数的比例 精度=（1-错误率）×100% 2、误差 学习器的实际预测输出和样本的真是输出之间的差异称为误差 训练集上的误差：训练误差/经验误差 新样本上的误差：泛化误差 3、过拟合&欠拟合 过拟合：一般为学习能力过强，把一些训练样本的特点当成所有样本的一般性质，泛化能力差——无法彻底避免（P≠NP） 欠拟合：无法很好根据训练样本学习到潜在样本的一般规律 4、模型选择 理想：评估候选模型的泛化误差，选择最小的 现实：无法直接获得泛化误差 5、如何评估？

1、机器学习 数据集（数据集中每一个样本有n个属性构成n维样本空间，每个样本点对应一个特征向量）->学习算法（训练集）->模型（分类/回归/聚类）->预测（测试集/泛化能力） 一个程序利用经验E在任务T上获得了性能P的改善，则关于任务T和性能P，该程序对经验E进行了学习。 2、分类&回归&聚类 分类：二分类，多分类 ——离散 回归：实数集 ——连续 （分类回归属于有监督学习，分类和回归的界限是不明确的） 聚类：无监督学习 3、泛化能力 模型适用于新样本的能力，一般而言，对