机器学习入门科普篇--系列二
上一篇我们说了机器学习的特点、定义，其中讲了经验、任务和性能。任务上篇已经讲过了，现在我们来聊聊经验和性能。
经验
监督学习
对于监督学习问题，我们所拥有的经验包括特征和标签（Label/Target）两个部分。通常用特征向量（Feature Vector）描述一个数据样本。标记/目标的表现形式则取决于监督学习的种类。
无监督学习
无监督学习问题没有标记/目标，因此也无法从事预测任务，却更加适合对数据结构的分析。正是这个区别，我们可以获得大量的无监督学习数据；而监督数据的标注因为经常耗费大量的时间、金钱和人力，所以数据量相对量较少。
性能
注意
需要保证，出现在测试集中的数据样本一定不能被用于模型训练。即，训练集和测试集之间是彼此互斥的
预测类问题
对于预测类问题，更加关注预测的精度。具体来讲：分类问题，需要根据预测正确类别的百分比来评价其性能，这个指标通常称为准确性（Accuracy）；回归问题则无法使用类似的指标，通常会衡量预测值与实际值之间的偏差大小。
好了，机器学习的任务、经验和性能已经介绍完了，下面用一个示例描述一下；
例子 手写识别学习问题：
任务T:识别和分类图像中的手写文字
性能标准P：分类的正确率
训练经验E：已知分类的手写文字数据库（知识库）
今日赠言
离你越近的地方，路途越远；最简单的音调，需要最艰苦的练习。
——致还在路上的你
推荐阅读：
(视频讲解！！！)python量化 | 10年翻400倍的炒股策略
长按二维码即可关注哦--->
参考文献：
Python机器学习及实践
机器学习
Mitchell,T.M 《Machine Learning》
5601
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
