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、

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值