人们提到机器学习时,大多数指的是统计机器学习。
统计学习的目的
从数据出发,提取数据的特征,抽象出模型后,又回归到对数据的分析与预测中去。对未知新数据的预测与分析常常会带来新的知识。
统计学习的方法
统计学习由 监督学习、非监督学习、半监督学习、强化学习 组成。
我们的讨论都以监督学习为主。
实现统计学习的步骤如下:
1.得到一个有限的训练数据集合;
2.确定包含所有可能的模型的假设空间,即学习模型的集合;
3.确定模型选择的准则,即学习的策略;
4.实现求解最优模型的算法,即学习的算法;
5.通过学习方法选择最优模型;
6.利用学习的最优模型对新数据进行预测或分析;
基本概念
输入/输出空间: 输入/输出所有可能取值的集合。
实例:每个具体的输入,通常用特征向量表示。
特征空间:所有特征向量存在的空间,特征空间的每一维对应着一个特征。(一般我们不区分特征空间与输入空间)
符号表示
我们将输入实例x的特征向量写作
x = ( x ( 1 ) , x ( 2 ) , ⋯ , x ( i ) , ⋯ , x ( n ) ) T x=(x^{(1)},x^{(2)},\cdots,x^{(i)},\cdots,x^{(n)})^{T} x=(x(1),x(2),⋯,x(i),⋯,x(n))T
值得注意的是:我们应当区分 x ( i ) x^{(i)} x(i)与 x i x_{i} xi, x ( i ) x^{(i)} x(i)指的是 x x x的第 i i i个特征,但 x i x_{i} xi代表多个输入变量中的第 i i i个
x i = ( x i ( 1 ) , x i ( 2 ) , ⋯ , x i ( n ) ) T x_{i}=(x_{i}^{(1)},x_{i}^{(2)},\cdots,x_{i}^{(n)})^{T} xi=(xi(1),xi(2),⋯,xi(n))T
训练集通常被表示为
T = { (