机器学习第一周（机器学习的定义）

1、什么是机器学习

卡内基梅隆大学的Tom Mitchell教授，在他的名作《机器学习》一书中，给出了他对于机器学习的定义：

对于某类任务（Task，简称T）和某项性能评价准则（Performance，简称P），如果一个计算机程序在T上，以P作为性能的度量，随着很多经验（Experience，简称E）不断自我完善，那么我们称这个计算机程序在从经验E中学习了。

比如说，对于学习围棋的程序AlphaGo，它可以通过和自己下棋获取经验，那么它的任务T就是“参与围棋对弈”；它的性能P就是用“赢得比赛的百分比”来度量。“类似地，学生的任务T就是“上课看书写作业”；它的性能P就是用“期末成绩”来度量”
因此，Mitchell教授认为，对于一个机器学习问题，我们需要明确三个特征：任务的类型，衡量任务性能提升的标准以及获取经验的来源。

2、两大机器学习算法

2.1 监督学习

监督学习（Supervised Learning），用数据挖掘大家韩家炜（Jiawei Han）老师的观点来说，监督学习基本上就是“分类（classification）”的代名词。它从有标签的训练数据中学习，然后给定某个新数据，预测它的标签（given data, predict labels）。这里的标签（label），其实就是某个事物的分类。
比如说，小时候父母告诉我们某个动物是猫、是狗或是猪，然后我们的大脑里就会形成或猫或狗或猪的印象，然后面前来了一条“新”小狗，如果你能叫出来“这是一条小狗”，那么恭喜你，你的标签分类成功！但如果你说“这是一头小猪”。这时你的监护人就会纠正你的偏差，“乖，不对呦，这是一头小狗”，这样一来二去的训练，就不断更新你的大脑认知体系，聪明如你，下次再遇到这类新的“猫、狗、猪”等，你就会天才般的给出正确“预测”分类（如图1所示）。
简单来说，监督学习的工作，就是通过有标签的数据训练，获得一个模型，然后通过构建的模型，给新数据添加上特定的标签，即在监督学习中，对于数据集中的每个样本，我们希望通过算法预测并得到“正确答案”。 其中，监督学习有两种常见的问题：回归问题和分类问题

2.1.1 回归问题

回归是指我们的目的是预测一个连续值输出，比如房价预测问题，假设我们只用一个特征来描述房子和房价之间的关系：房子的大小 size ，也就是多少平方米，对于数据集中的每个房子，我们都给出其正确的房价是多少，然后我们希望通过训练好的模型来预测其他 size 房子的房价，很显然，在这个问题中，我们希望能够得到房价和房子大小之间的映射关系，也就是函数关系，所以可以知道，房价的取值一定是在一段连续区间内，也就是说，这种问题下输出有无限种取值可能，即输出是连续的。

2.1.2 分类问题

分类是指我们的目的是预测一个离散值输出，比如判断肿瘤的良性与否，很显然，在进行预测之前，我们就可以知道输出的全部取值可能，即肿瘤是良性或者肿瘤是恶性两种情况，也就是说，这种问题下输出的取值是有限的，即输出是离散的，

事实上，整个机器学习的目标，都是使学习得到的模型，能很好地适用于“新样本”，而不是仅仅在训练样本上工作得很好。通过训练得到的模型，适用于新样本的能力，称之为“泛化（generalization）能力”。

2.2 无监督学习

无监督学习（Unsupervised Learning）：与监督学习相反的是，无监督学习所处的学习环境，都是非标签的数据。韩老师接着说，无监督学习，本质上，就是“聚类（cluster）”的近义词。
简单来说，给定数据，从数据中学，能学到什么，就看数据本身具备什么特性了（given data，learn about that data）。我们常说的“物以类聚，人以群分”说的就是“无监督学习”。这里的“类”也好，“群”也罢，事先我们是不知道的。一旦我们归纳出“类”或“群”的特征，当输入一个新数据时，我们就根据它距离哪个“类”或“群”较近，就“预测”它属于哪个“类”或“群”，从而完成新数据的“分类”或“分群”功能。
简单来说，无监督学习的工作，就是通过数据集自身的分布特点，将对应的数据进行划分，从而获得一个模型，当新数据输入时，判断它属于何类。 类似于分类问题，但是二者的区别在于，在无监督学习中，我们并不知道数据原本属于何类，我们需要通过数据自身的特征来判断哪些数据可划分为一类。