第一章 绪论
1.1 引言
机器学习的经典定义:利用经验(数据)改善系统自身的性能
经典的机器学习过程:
机器学习最重要的理论模型:PAC(概览近似正确)
1.2 基本术语
数据集:一组记录的集合
学习/训练:通过执行某个学习算法,得到模型,学的的模型对应数据的某种潜在规律
示例:不包含结果(标记label) , 样例:包含结果(标记label)
样本 , 属性(eg.色泽) , 属性值
属性空间、样本空间、输入空间:
学习器:模型
分类:离散的输出(是or否) ,回归:连续的输出(0->1)
二分类(正类,负类<可交换>),多分类
无监督学习:不知道结果(任务:密度统计) , 监督学习:知道结果(任务:分类,回归)
1.3 假设空间
学习过程:在所有假设组成的空间中进行搜索的过程(目标:找到与训练集匹配的假设)
版本空间:与训练集一致的假设集合
1.4 归纳偏好
有效的机器学习必有其偏好
学习算法的归纳偏好是否与问题本身匹配,决定了算法的性能
1.5 NFL定理
一个算法a若在某些问题上比另一个算法b好,必存在另一些问题b比a好
具体问题,具体分析
标签:机器,假设,模型,笔记,第一章,学习,算法,空间 From: https://www.cnblogs.com/zhuxi1010/p/18450844