机器学习-周志华-学习记录-第一章绪论

小瘪️

已于 2022-05-21 13:38:52 修改

阅读量457

点赞数 2

分类专栏：机器学习文章标签：机器学习学习人工智能

于 2022-05-20 21:03:29 首次发布

本文链接：https://blog.csdn.net/m0_53547520/article/details/124879116

版权

机器学习专栏收录该内容

4 篇文章 0 订阅

订阅专栏

文章目录

绪论
一、什么是机器学习
二、基本术语
三、假设空间
四、归纳偏好
总结
参考链接

绪论

为了更早地适应研究生的生活，我决定重新学习周志华老师的机器学习这本书。同时也为了能够养成博客记录的习惯，我开始尝试着写博客记录学习中的问题。

一、什么是机器学习

机器学习是在计算机上，从数据中产生“学习算法”，然后通过该算法产生模型。基于该模型提供相应的判断的过程。

二、基本术语

数据集（data set） 一组数据的记录集合。
示例（instance）or 样本（sample） 数据集中的一个对象或者事件的描述。
属性（attribute）or 特征（feature） 反映事件或对象在某方面的表现或性质。
属性值（attribute value） 属性上的取值。例如：头发的颜色取值黑色；头发的长度取值长发。
属性空间（attribute space) or 样本空间（sample space）or 输入空间 属性张成的空间。例如，将头发的“颜色”，“长度”，“是否分叉”三个属性作为三个坐标，可以张成一个用于描述头发的三维空间，每根头发都可以在该三维空间中找到自己的位置。
特征向量（feature vector） 属性空间中的每个点对应一个坐标向量，所以，一个坐标点所代表的示例称为一个特征向量。
维数（dimensionally） 特征向量的维数，这里指某一示例中的特征总数。
学习（learning）or 训练（training） 从数据中学得模型的过程。
训练数据（training data） 训练过程中使用的数据。
训练样本（training sample） 训练数据中的每一个样本。
训练集（training set） 训练样本组成的集合。
假设（hypothesis） 通过学习到的模型得出一种关于数据的潜在规律，称为假设。
真相 or 真实（ground truth） 由假设的自身，即潜在规律自身，成为真相。
学习器（learner） 等同于模型，可看作学习算法在给定数据和参数空间的实列化。
预测（prediction） 通过预测，可以判断样本是否符合结果信息。
标记（label） 样本结果的信息。例如，色泽=青绿，根蒂=蜷缩是好瓜的。
样例（sample） 拥有标记信息的示例。
标记空间 or 输出空间（lable space） 标记的集合。
分类（classification） 算法预测离散值，例如“好人”，“坏人”。
回归（regression） 算法预测连续值，例如西瓜的成熟度：0.95、0.22。
二分类（binary classification） 只涉及两个类别的分类。
正类（positive class） 二分类中的正类。
反类（negative class） 二分类中的反类。正类的反面。
多分类（multi-class classification） 涉及多个类别的分类。
测试（testing） 学得模型后，使用该模型进行预测的过程。
测试样本（testing sample） 被预测的样本。
聚类（clustering） 一种典型的无监督学习算法，主要用于将相似的样本自动归到一个类别中。
簇（cluster） 训练集中的样本分为若干组，每一组称为一个簇。
监督学习（supervised learning） 训练数据有标记信息。
无监督学习（unsupervised learning） 训练数据无标记信息。
泛化（generalization） 学得的模型适用于新样本的能力。
分布（distribution） 假设样本空间中全体样本服从一个的一个未知的发布。一般而言，训练样本越多，我们得到的关于分布的信息就越多，这样就越有可能通过学习获得具有强泛化能力的模型。
独立同分布（(independent and identically distributed ，简称 i.i.d.） 获得的每个样本都是独立地从这个分布上采样获得的。