课堂笔记：

机器学习基本方法：

1.模型评估与参数选择：

1.通过损失函数来衡量误差。

2.泛化误差是衡量模型泛化能力的标准。

3.使用训练集、验证集和测试集来避免过拟合。

数据集划分：

1.小样本集（几万量级）：比例为6:2:2（训练集：验证集：测试集）。

2.大数据样本集（百万级以上）：验证集和测试集各1w条数据。

3.代码示例展示如何将数据集划分为训练集、验证集和测试集。

监督学习与非监督学习：

1.监督学习利用带有标签的输入输出二元组，非监督学习则没有输出标签。

回归问题：

1.输出为连续值。

2.均方误差损失函数（MSE）用于度量效果。

分类问题：

1.输出为离散值。

2.使用精确率、召回率和F1分数等指标进行评估。