u013261340的博客

（1）机器学习致力于研究如何通过计算的手段，利用经验来改善系统自身的性能。       机器学习所研究的内容，是关于在计算机上从数据中产生“模型”的算法。（2）若我们预测的是离散值，此类学习任务称为“分类”；若预测的是连续值，则称为“回归”；根据训练数据是否拥有标记信息，学习任务可大致分为两大类：“监督学习”和“无监督学习”，分类和回归是前者的代表，聚类则是后者的代表。（3）通常假

模型评估与选择（1）错误率+精度=1，错误率是指分类错误的样本数占样本总数的比例。（2）误差：学习器的实际预测输出与样本的真实输出之间的差异。训练误差：学习器在训练集上的误差。泛化误差：在新样本上的误差。（3）过拟合和欠拟合：学习器把训练样本学的太好了，导致泛化性能下降；欠拟合，指对训练样本的一般性质尚未学好。过拟合是机器学习面临的关键障碍，各类算法都必然有一些针对过拟合的

（1）解决函数逼近问题的两类算法：惩罚线性回归和集成方法。（2）惩罚线性回归方法是由普通最小二乘法衍生的。最小二乘法的一个根本问题就是有时它会过拟合。（3）惩罚线性回归可以减少自由度使之与数据规模、问题的复杂度相匹配。对于有大量自由度的问题，惩罚线性回归方法获得了广泛应用。自由度：统计学上的自由度是指当以样本的统计量来估计总体参数时，样本中能独立或能自由变化的自变量的个数。个人

跑代码的结果需要画图，因此本人不甘于黑漆漆的一片命令行，想要给服务器安装桌面。本来资料很多，很简单的一件事，奈何服务器安装的是centos系统+IBM的power8处理器，很多资料相悖，整整花了一晚上的时间，第二天才回去睡觉。。。下面总结一下安装的步骤，以及遇到的坑：（1）第一步先安装ghome桌面       1、使用命令 runlevel 查看当前的运行级别 ，如果是3，等

(1)ROC(Receiver Operating Characteristic)受试者工作特征根据学习器的预测结果对样例进行排序，按此顺序逐个把样本作为正例进行预测，每次计算出两个重要量的值，得到ROC曲线。