机器学习基本概念及问题梳理

前言：整理西瓜书第一、二章中的基本概念

待办：第二章评估方法、性能度量及后续内容未整理

---

下图梳理机器学习中部分概念

模型评估与选择相关知识点：

错误率（error rate, E）：如果在m个样本中有a个样本分类错误，则错误率E=a/m

精度（accuracy）=1-E=1-a/m

误差（error）：学习器的实际预测输出与样本的真实输出之间的差异。误差在不同数据集上含义不同，在训练集上的误差称为训练误差（training error）或经验误差（empirical error），在测试集上的误差称为测试误差（testing error），在新样本上的误差称为泛化误差（generalization error）。

过拟合（overfitting）：学习能力过强，将训练样本中不太一般的特征学到。难以避免，只能缓解。

欠拟合（underfitting）：学习能力低下。在决策树学习中拓展分支、在神经网络学习中增加训练轮数以克服。

学习问题

1、概念理解–假设、假设空间和版本空间

西瓜书P4-P6

假设（hypothesis）：学得的模型对应假设空间中的一个假设。换句话说，一个假设就是一种映射方法，它把具有某些特定属性值的西瓜映射为好瓜，其余西瓜映射为坏瓜。¹

假设空间（hypothesis space）：所有不重复假设组成的空间。

版本空间（version space）：一个与训练集一致的所有假设构成的集合，也就是假设空间中的一个最大子集，该子集内的每一个元素都不与训练集相冲突，因此版本空间也是唯一的。¹另外值得注意的是，训练集的不同会导致版本空间的不同。

2、已知训练数据集求解版本空间²

1. 列出所有可能的假设，即假设空间
2. 不断删除与正例（已知训练数据集中的好瓜）不一致的假设，和与反例一致的假设
3. 得到与训练集一致的假设，即版本空间

3、为什么要考虑归纳偏好？

版本空间内每一个假设都可以判断训练数据集中的每个瓜是好是坏，若用不同的假设判断同一条记录可能会得出不一样的结果，这便引出讨论归纳偏好的必要性。

4、训练集、验证集、测试集有何区别？

训练数据一般划分为训练集（training set）和验证集（validation set），训练集是用来训练模型或确定模型参数的，验证集是用来做模型选择，即做模型的最终优化及确定。

测试集（testing set）：测试已训练好的模型在实际使用中的泛化能力。

在实际应用中，一般只将数据集分成训练集和测试集，并不涉及验证集。

未解决问题：为什么过拟合无法避免？P23

---

---

参考文章：

---

1. 《机器学习》周志华–假设空间和版本空间概念辨析 - 知乎 ↩︎ ↩︎

2. 《机器学习》周志华–假设空间和版本空间 - 优快云博客 ↩︎