每日机器学习第一天

机器学习——周志华老师西瓜书学习总结（1）

---

前言

本篇文章向大家简单介绍古纳于机器学习的一些基础知识，入门的小白同学可以安心食用

---

一、机器学习是什么？

简单易懂的话说，就是机器学习如何向我们人类一样，利用自己的经验进行判断和决策。

举个栗子：
我们日常可以根据和风、晚霞等天气特征，给出第二天是个好天的判断；

在购买西瓜时，我们会根据根蒂的新鲜程度、敲击西瓜发出的声音这些特征，判断西瓜的成熟……

总结为以下机器学习的专业定义：

即研究如何通过计算的手段，利用经验来改善系统自身的性能。

那计算机的经验如何描述呢？
计算机常以“数据“来表示经验，因此，机器学习的主要研究内容是，关于利用经验数据搭建模型的算法。
有个这个算法，就可以根据经验数据，搭建出相应的模型，并利用建立的模型，对新产生的数据进行经验判断。

二、机器学习的基本术语和分类

基本术语

• 数据集
• 特征向量
• 标记信息

数据集：机器学习的前提是收集数据，如收集了一批西瓜的数据，其中记录了每个西瓜的特征（色泽=A，根蒂=B，……）
以上的数据集合称为数据集，其中用于训练产生模型的数据称为”数据集“；
特征向量：数据集里面的每一组数据，记录的都是关于西瓜的每个相关特征，一个特征在特征空间里面可以表示为一个特征向量。
标记信息：对于每个特征，我们有相应的结果数据，如”好瓜“，这就是对示例的标记。

分类

根据训练数据中是否有标记信息，可以将机器学习分为两大类——“监督学习”（分类和回归）和“无监督学习”（聚类）。

假设空间

机器学习是从特殊的样例，泛化到一般性规律的过程。

对数据特征做出相应的假设，假设的集合称为假设空间；
如针对好瓜，我们的假设为：好瓜=(色泽=?)&(根蒂=?)&(敲声=?)，根据三种特征的取值，有多个假设。

那么如何确定最终的假设呢
通过搜索每一种假设，删除与样例不一致的假设，最终将会获得与训练集一致的假设

但有时，我们获得的假设是多个，应该选择哪一个呢？

此时，需要提到归纳偏好这个概念，

归纳偏好，这个“偏好”可以是我们在选择假设时，对某个特征更为看重，比如“根蒂”，那就可以设为：好瓜=(色泽=)&(根蒂=?)&(敲声=)（*号代指取任何值皆可）

需要注意的是，归纳偏好，需要针对现实中的具体要解决的问题，没有绝对好的假设。

该处使用的url网络请求的数据。

---

总结

本文简单的介绍了机器学习的基础知识，以下分享了周志华老师的西瓜书👇

链接：https://pan.baidu.com/s/1roFPete84XPBQBIfzgwN8g
提取码：jqxx

---