本人大三,专业为大数据方向,为使自己在阅读过程中对内容理解更为深刻,现将阅读过程记录下来。若有谬误,感谢指正。
第一章-绪论
本章主要讲解了机器学习的基本概念,如分类、回归;聚类等。介绍了机器学习的发展历程以及现状。
机器学习是通过“经验”获得“学习算法”,通过不显示编程,而让计算机获得解决问题的能力。
这里着重理解“机器学习”、“数据挖掘”的联系:数据挖掘是从海量数据中发掘知识,这就涉及对“海量数据”的管理和分析。数据库领域的研究为数据挖掘提供数据管理技术,机器学习和统计学的研究为数据挖掘提供数据分析技术。机器学习和数据库领域是数据挖掘的两大支撑。
第二章-模型评估与选择
重要概念解释:
误差与过拟合,误差是由于学习不充分而导致的在训练集上的“欠拟合”(underfitting),使得模型在判断上错误率较高。而“过拟合”(overfitting)则是由于对训练集了解过于充分,导致判断较为死板,相对于欠拟合较难解决。
评估方法:
1. 留出法 将集合分割为互斥的子集,进行若干次划分,分别进行计算。
2. 交叉验证法 将集合划分为n个。分别将每一个子集作为测试集,计算n次。也称为n折交叉验证示意图。
3. 自助法 将集合随机采样,建立一个新的测试集,而使用原集合进行计算。即留出法和交叉验证法都已集合的一部分作为测试集,而使得训练集有部分损失;而自助法使用全集进行训练,避免了规模不同造成的影响,能比较高效的进行试验估计。(适合数据集较小、难以有效划分训练/测试集的场景)
调参 即参数调整,通过使用适合的参数,能够使模型获得较好的泛化性能
性能度量:
错误率、精度(和为1)
查准率(Precision)在预测样例的正例中,有多少是准确的(真正例)
查全率(Recall)在正例中,有多少被预测正确。
在不同的应用中,对于这两个指标的重视程度不同,在广告推送中,希望更少地打扰用户,更重视查准率;而在逃犯信息检索系统中,不希望漏过任何嫌疑犯,则更重视查全率。
真正例率(Ture Positive Rate)在正例中,有多少被预测正确
假正例率(False Positive Rate)在反例中,有多少被预测为正例(预测错误)
这两个指标能够较全面地反应这分类结果混淆矩阵。
真实情况 | 预测结果 | |
正例 | 反例 | |
正例 | TP(真正例) | FN(假反例) |
反例 | FP(假正例) | TN(真反例) |
通过P-R曲线、ROC曲线,我们可以得出一个学习器的性能,通常认为曲线下方面积较大的学习器性能较好。
检验方法较为赘述,不做总结。
偏差-方差 可描述算法的泛化性能
泛化误差可分解为偏差、方差与噪声之和。