机器学习—(周志华) 绪论读后感总结

1、了解数据集的概念，理解样本空间和维数的概念。

2、理解分类和回归的划分，如果欲预测的是离散的数据，例如分清好坏，此类学习任务是"分类"。如果学习任务是对西瓜成熟度进行划分，此类学习任务是回归任务。在二分类中涉及到正类和反类的概念。得到模型以后，进行预测的过程称为"测试"，被测试的样本称为测试样本。

3、聚类的概念就是簇的概念，需要主要的是，我们使用的训练样本通常不用有标记信息，所以分的到的簇类划分，得到的"浅西瓜""本地西瓜"，这样的概念我们事先并不知情。

4、任务的划分：『监督学习』『非监督学习』分类和回归是前者的代表，聚类则是后者的代表。

5、泛化能力：通过训练样本得到的模型可以很好的适用于薪样本的能力。

6、机器学习数据集的样本空间大前提：样本空间的每一个样本都是"独立且同分布"的。

7、机器学习算法再学习中队某种累心假设的偏好，称为『归纳偏好』或者简称为『偏好』，任何一个有效的机器学习算法必有其归纳偏好，否则很容易被训练集上"等效"假设所迷惑。

8、NFL定理，所有算法的期望性能竟然一致。因此算法问题必须结合实际具体分析。

9、