1.监督学习：从标记的训练数据来推测一个功能的机器学习任务。
无监督学习：没有标签的一种学习，类似一种自学
2.分类：预测离散值并输出
回归：预测连续的数值输出
3.聚类：无监督学习的分类，按照某种特定标注将数据划分为有意义的组，使得组内数据对象的相似性尽可能大
降维:将向量投影到低维空间，以达到某种目的的可视化或是分类
4.损失函数：估量模型的拟合性，损失函数越小，则拟合效果越好
5.训练集：用于机器训练的数据集，平时的练习题
测试集：训练完后进行测试的数据集，考试模拟题
验证集：测试完后验证的数据集，正式考试题
6.过拟合：训练过度，拟合效果对于训练集很好，但训练集以外的数据集效果差
欠拟合：训练不足，对包括训练集在内的数据集拟合效果都不好
7.经验风险：模型对于训练集的预测能力，对训练数据的误差
期望风险：表示模型对训练数据以外数据的预测能力，对训练数据外的误差
本文介绍了机器学习中的基本概念，包括监督学习与无监督学习的区别，分类和回归任务，聚类作为无监督学习的应用，以及损失函数在评估模型拟合度中的作用。此外，还讨论了训练集、测试集和验证集的用途，以及过拟合和欠拟合的问题，以及经验风险和期望风险的概念。
2042
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
