学习机器学习二 模型评估指标

我有好几本跟机器学习和深度学习有关的书籍，想先复习机器学习，觉得这书挺适合刚入门的，理论没有很深，还有很多实例操作，写起笔记要简单一些。笔记一使我们产生了对机器学习的基础认识，大概明白它是怎么一个事。现在接着深入一点的学习之前的一些基础点，进而牵发出更多的学习内容。机器学习问题三大类：监督学习、非监督学习和强化学习。其中作者重点讲了下这个监督学习，我自己也觉得三类中监督学习似乎更发挥机器学习的魅力。

监督学习的目标总是我们去训练集给数据打标签（或目标值），我们根据这些标签的本质，可以两大类：①分类；②回归。

分类：使用数据来预测类别的这些监督学习叫做分类。比如我们预测天气是阴天还是晴天还是雨天。然后我们设一个阈值比如0.6，那么模型得出来的结果【0.1,0.8，0.1】，就可以说它预测明天天气是晴天。而当只有两只选择时，我们把这叫做二分类或者二值分类，比如我们读取一个图片去识别它是猫咪还是狗狗。

回归：使用数据预测真实值得这些监督学习就叫做回归。回归的目标是尽可能准确地去预测目标值。比如尽可能小的误差来预测股票价格。

回归和分类很明显的区别：分类是明确分类别，是或不是，是离散型的数据【是，不是，是，不是】，不存在可能是或可能不是；回归就是预测一个接近值，它是连续型的（呈N元N次方程）。

现在讲下OpenCV中的监督学习：

在OpenCV中所有的机器学习模型都派生自cv: :ml: : Statmodel基类。换种形象的说法就是，我们要想成为OpenCV中的一个机器学习模型，就必须提供Statmodel让我们提供的功能。这其中包括一个训练模型类函数（叫做train），还有一个用于评价模型表现的类函数（叫做calcError）。（类函数：就是对象本身包含的函数）

构建一个机器学习模型的过程如下：

①初始化：听过名字调用一个模型来创建一个模型的空实例；

②设置参数：如果模型需要一些参数，可以通过设值函数进行设置，不同的模型有不同的设置方法。比如，为了设K-NN算法，需要指定它的开放参数k；

③