2403_87149462的博客

一、模型评估与误差 模型输出偏离真实目标值说明模型存在误差，用损失函数来度量偏离的程度，训练集上的平均误差称为训练误差，测试集上的误差称为泛化误差，泛化误差是衡量模型泛化能力的重要标准。 1、数据集： 数据集包括训练集、验证集和测试集。训练集相当于上课学知识，验证集相当于课后练习题，用来纠正和强化学到的知识，测试集相当于期末考试，用来最终评估学习效果。 对于小规模样本集，常用划分比例为训练集：验证集：测试集 = 6:2:2或训

在机器学习中，数据的丰富性和 质量直接影响统计学习模型的性 能上限。模型假设需符合实际数据分布，如支持向量机假设数据在高维空间可分，数据分布的多样。通过交叉验证技术，如K折交叉验证，可以评估模型假设在不同数据集上的泛化能力，确。监督学习依赖于带有已知标签的数据集进行模型训练，通过比较预测值与真实值调。无监督学习无需标签数据，通过聚类、降维等技术探索数据内在结构和隐藏模式。半监督学习利用有限的标签数据和大量无标签数据共同训练模型，提高学习效率和。通过数据验证假设，可确保模型的有效应用。4.强化学习试错优化。

机器学习的主要流程是明确分析目标、数据收集、数据预处理、建模分析、结果评估、部署使用以及学习更新。机器学习的流程就是通过分析训练集中的数据，为每个类 别做出准确的描述或建立分析模型或挖掘出分 类规则，然后用这个分类规则对其它数据对象 进行分类。支持向量机，决策树，Bayesian网络.2.聚类算法；聚类就是K-means基于划分的聚类K均值（K-Means）基于密度的聚类3.回归分析；是一种研究自变量和因变量之间关系 的，用于分析当自变量发生变化时， 因变量的变化值。4推荐算法。