ML[001] 机器学习基本概念

标签：set 特征向量 ML 算法 学习 001 标签 数据 基本概念

机器学习是能够从数据中学习的算法（通过经验E改进后，在任务T上由性能度量P衡量的性能会有所提升）

 

1.数据集（dataset）

　　训练集（training set）：用来进行训练，也就是产生模型或算法的数据集

　　测试集（testing set）：用来专门进行测试已经学习好的模型或算法的数据集

　　验证集（validation set）：用来调整超参数的数据集（学习率、迭代次数、batch size等）

 

我们处理的样本(example)是经过处理的已经量化的特征（feature）的集合

特征向量：属性的集合，通常用一个向量表示

例：[x₁,x₂,x₃,x₄] 为一个特征向量，其中 x_i 为下标 i 对应的特征的值

而　[x₁₁,x₁₂,x₁₃,x₁₄]    则是由一个mini-batch 中的数据的特征向量组成的矩阵

　　[x₂₁,x₂₂,x₂₃,x₂₄]

　　[x₃₁,x₃₂,x₃₃,x₃₄]

 

2.任务类型

　　（1）分类：指定某些输入属于k类中的哪一类

　　（2）回归：给定输入预测数值

　　　........

 

3.算法类别

　　无监督学习：训练具有特征的数据集，通过学习得到数据集上有用的结构特性（样本无标签 label）

　　监督学习：同上，但是样本有标签 label

　　半监督学习：综合以上两种，有标签+无标签

　　

4.步骤框架

　　准备数据集 -> 构建模型 -> 训练模型 -> 评估模型

标签：set,特征向量,ML,算法,学习,001,标签,数据,基本概念
From： https://www.cnblogs.com/kotorin/p/16804709.html