Machine Learning 学习笔记

[google 机器学习链接]（https://developers.google.com/machine-learning/crash-course/prereqs-and-prework）

1.框架处理

（监督式）机器学习，标签，特征，样本，模型，回归与分类

2.深入了解机器学习

回归分析：权重（斜率）和偏差（截距）
训练：经验风险最小化；损失，平方损失，均方误差MSE

3.Reducing Loss

Itetative Approach;
Gradient Desent(GD);
Learning Rate(step);
Stochastic Gradient Desent(SGD);
Mini-batch Stochastic Gradient Desent(mini-batch SGD）:损失和效率的折中

4.TensorFlow

Colaboratory 浏览器在线编程（无需配置）；
Pandas: 数据分析和建模库；
TensorFlow 线性回归；
合成特征和离群值；
超参数：steps, batch size
方便变量：periods

5.泛化

过拟合：模型的复杂程度超出所需的复杂程度
奥卡姆剃刀理论
泛化边界，即统计化描述模型根据以下因素泛化到新数据的能力：模型的复杂程度，模型在处理训练数据方面的表现
训练集和测试集：测试集要足够大，不会反复使用相同测试集作假
基本假设：独立同分布，分布平稳，同一分布

6.训练集和测试集

测试集：1，足够大；2，能代表整个数据集
playground