首先,机器学习的主要内容,是关于在计算机上从数据产生模型的算法,这是关键中的关键.
;数据集:记录的集合(单个的记录觉得像python中的列表一样)
记录:单个事件的描述,又称为样本
属性:事件在某方面的性质则为属性,属性空间则是有属性构成的空间
泛化能力:针对于学得的模型对于新样本的适应能力.
归纳学习和演绎推理里,机器学习主要是用在归纳学习
假设空间其实就是对其所有的可能遍历,版本空间就是对于我们的数据集,将所有满足数据的可能发生的假设总结起来
归纳偏好其实就是在不知道哪个算法更好一点的时候,人为加重某属性的权重使其判断某算法更好.
错误率:分类错误的样本占总数的比例
错误率+精度=1
泛化性能都不够,对训练集本身的性质学的过于深入则为过拟合,过浅则为欠拟合
留出法,交叉验证法,自助法作为数学统计方法不再赘述