机器学习基本概念和模型训练基本问题

机器学习基本概念和模型训练基本问题

什么是分类问题，什么是回归问题？以及两者的区别

什么是二叉树？

二叉树很容易理解，在这里我们一般用满二叉树：就是非叶子节点都有2个分支的树形数据结构

什么是决策树？

决策树最初是用来做决策用的，就好像下面的见不见相亲对象的决策过程一样；

如果把最后的决策结果看成是分类，那么决策树就可以用来分类了，例如，下面的例子就是把相亲对象分为见和不见两种。

假如下面是你是否见相亲对象的决策树，如果你老妈有你给的这个决策树，那么你老妈给你介绍一个相亲对象之前，按照这个决策树走一遍，就能预测你是否相见这个相亲对象了

正负样本，特征，训练集（数据），验证集（数据），预测集（数据） 

下面通过一个例子来区分这些概念

我们的数据集是一百个点，如下图所示，是二维平面的100个点，这个就是我们总的数据集（全集），这些数据在文本中就是下面第二张图所示的三个字段（x坐标，y坐标，label（正样本还是负样本））

对于每个数据点来说，都有自己的x，y坐标以及自己的类别（正还是负，0或者1）；

而我们的目标是通过每个数据点的x，y坐标去确定该数据点的类别，但是我们不想每来一个数据点都自己亲眼观察去判断，我们希望教会机器怎么去辨别每个数据点的类别。

我们需要告诉机器什么样的数据点的类别是1，什么样的数据点的类别是0，这就是正负样本

我们把正负样本放在一起，就组成了一个数据集，并从中抽取一部分或者全部，这就是训练集

我们要教会机器通过什么属性来区分数据点的类别，例如我们教会机器通过数据点的x，y坐标来判断数据点的类别，那么在这里x，y坐标就是特征

教会了机器区分数据点，一般我们需要验证机器区分的正确率，我们需要用一些已知类别的数据点，对比这些数据点原本的类别和机器辨别出来的类别，计算机器区分的正确率，这些数据点的特征和类别就是验证集。

训练集和验证集都是正负样本组成的集合的子集，两者数据的格式是一样的。一般来说我们可以在正负样本集调整训练集和验证集的比例。

最后，我们有一批新的数据点，我们只有这些数据点的特征（x，y坐标），我们想让机器预测这些数据点的类别，这些只有特征的数据集我们成为预测集。

验证集在验证的过程中也充当了预测集的角色，不过验证集自带类别，可以验证预测的准确性，而预测集则是完全依赖与机器的预测。

所以，我们需要保证预测集和训练集、验证集是属于同一个样本空间的，否则，预测的结果可能不如人意。

下面我们来看下模型训练过程中常见的问题

1：样本选择的问题

在这个例子中，我们是有一个全集的，我们可以看到数据整体分布，这是比较理想的；

然而很多时候，我们甚至不知道样本空间的边界在哪里，我们不知道我们抽取的正负样本是否能代表整个样本空间？

2：正负样本比例问题

在这个例子中，正负样本比例1：1，然而，在实际数据中，我们甚至不知道真实的样本空间里面正负样本的比例；

而正负样本的比例有时候会对模型的评价产生影响

3：模型评价的问题

我们一般通过验证集来检验模型的好坏，然而模型是过拟合还是欠拟合我们是很难衡量的，而过拟合还是欠拟合一般也是通过验证结果来判断，但是训练集和验证集的选择有一定的随机性，

所以，模型评价也是一个难题。

而且，对于不同的集合，对模型的要求也是不一样的，是尽量不要预测错，还是尽量找回更多，因实际情况而定。