自己学习的心得,持续更新,欢迎大家评论区交流
第一章:
第一节:
一本书的标准开头
第二节:
1.基本术语:
数据集 :机器学习过程所使用的,具有目标属性(标记)值的数据
样本:数据集每一条(行)数据称之为样本。
特征:数据集每一个(列)属性称之为特征。
样本空间:所有特征的集合。又称“输入空间”。
维数:一条样本拥有的特征个数。
标记:机器学习的目标特征。
标记空间:每一个标记值得集合。
分类任务:输出结果是不连续(离散型、类别型)的学习任务。这里说明一下,离散型或类别型的特点就是“不可数、不可加”,比如特征“性别”,值可以取“男”、“女”
回归任务:输出结果是连续(数值型)的学习任务。
学习器:机器学习(训练后)的结果模型。
测试样本:学习器应用的没有标记值的新数据。
泛化能力:学习器对测试样本的适应能力,这个是相对于数据集而言的,一般学习器对于数据集和测试样本的表现差异越小称为泛化能力高,差异越大称为泛化能力低,低的原因可能是学习器“过拟合”或“欠拟合”。
至于“过拟合”、“欠拟合”、“聚类”、“有监督/无监督学习”遇到再细说。
第三节:
之后的包括对“归纳偏好“的介绍都仅仅是让读者更了解机器学习的特点,以及屏蔽可能的自以为是的极端想法。
第二章:
第一节:
- 精度 = 1 - 错误率, 错误率 = 错的/总的
- 错误率可称作误差,训练集中的叫经验误差,测试集的叫泛化误差
- 过拟合——拟合是指模型对训练集的“匹配程度”,过拟合,顾名思义是过分的与训练集相匹配,学习还原的过高。这不是好现象,则意味着模型将训练集大多数的自身非一般属性当作,潜在的一般属性。例如目标识别狗,训练集全是金毛,过拟合会把测试集中的二哈归为不是狗。过拟合是很难解决的问题,在追求高准确率的路上,你也不知道是不是已经越过红线,进入过拟合。
- 欠拟合——学习的不够,连基本属性都没学全。容易解决。
第二节:
- 原始数据分割方法:
训练集:从数据集分离的,用于模型训练的
验证集:从数据集分离的另一部分,与训练集无交叉,用于结果模型评估的
测试集:实际生产中没有标签的数据
1)留出法:按一定比例提出原始数据一部分作为验证集,要求测试集与留下的训练集数据分布保持一致性,例如正负样本比例相同。分割比例一般为,2/3、4/5、6/7作为训练集。训练集比重大,验证不足导致评估结果不准。测试集比重大导致模型保真性降低。
2)交叉验证:将原始数据等分成N份并尽可能保证每部分数据分布保持一致,之后每次抽取N-1分做训练集,剩下1份做测试集。如此,有N种分割方法,对每种方法结果取平均。
3)留一法:交叉验证中将N = 数据总数M
4)自助法:从原始数据中有放回的抽取数据总数M次构成训练集,训练集中没出现的(约占0.368)作为测试集。适用于原始数据集小的或难以有效划分的。