《机器学习实战1》

2017.2.27
第一章 《机器学习基础》

思维导图

1、关键术语的解释

特征：测量所有可测属性，而后再挑选出重要部分，也可以称作属性
分类：机器学习的主要任务就是分类，即根据目标变量对特征进行分类
训练集：通常我们为算法输人大量已分类数据作为算法的训练集。训练集是用于训练机器学习算法的数据样本集合
训练样本：特征或者属性通常是训练样本集的列，它们是独立测量得到的结果，多个特征联系在一起共同组成一个训练样本
目标变量：目标变量是机器学习算法的预测结果，在分类算法中目标变量的类型通常是标称型的，而在回归算法中通常是连续型的
测试集：当机器学习程序开始运行时，使用训练样本集作为算法的输人，训练完成之后输人测试样本。测试过程提供的样本集合即为测试集
知识表示：假定分类程序，经过测试满足精确度要求，是否我们就可以看到机器巳经学会了如何区分不同的鸟类了呢？这个过程称为知识表示，知识表示可以采用规则集的形式，也可以采用概率分布的形式。

监督学习：机器只需从输入数据中预测合适的模型，并从中计算出目标变量的结果。主要任务是将实例黎据划分到合适的分类中。机器学习的另一项任务是回归，它主要用于预测数值型数据。大多数人可能都见过回归的例子— 数据拟合曲鉍：通过给定数据点的最优拟合曲线。分类和回归属于监督学习，之所以称之为监督学习，是因为这类算法必须知道预测什么，即目标变量的分类信息。

非监督学习：数据没有类别信息，也不会给定目标值。在无监督学习中，将数据集合