机器学习简述
统计学习
知乎详细
是什么:是关于计算机基于数据构建概率统计模型并运 用模型对数据进行预测与分析的一门学科.统计学习也称为统计机器学习。
对象:是数据(data).它从数据出发,提取数据的特征,抽象出数据的模型,发现数据中的知识,又回到对数据的分析与预测中去.数据是多样的。
数据的基本假设:同类数据具有一定的统计规律性。
目的:对数据进行预测与分析,特别是对未知新数据进行预测与分析.对数据的预测可以使计算机更加智能化,或者说使计算机的某些性能得到提高;对数据的分析可以让人们获取新的知识,给人们带来新的发现.
方法:是基于数据构建统计模型从而对数据进行预测与分析,统计学习由监督学习(supervised learning)、非监督学习(unsupervised learning)、半监督学习(semi-supervised learning)和强化学习(reinforcement learning)
监督学习
监督模型:监督学习(supervised learning)的任务是学习一个模型,使模型能够对任意
给定的输入,对其相应的输出做出一个好的预测。
输入空间,特征空间,输出空间:输入远小于输出,有限元素的集合。
特征空间:特征向量的空间
问题特征:回归问题:输入输出都为连续,分类问题:输出为离散变量,标注问题:输入,输出都为变量序列。
假设:输入与输出遵循联合概率分布函数,
统计学习的三要素:模型(model)、策略(strategy)和算法(algorithm).
从给定的、有限的、用于学习的训练数据(training data)集合出发,假设数据是独立同分布产生的;并且假设要学习的模型属于某个函数的集合,称为假设空间(hypothesis space);应用某个评价准则(evaluation criterion),从假设空间中选取一个最优的模型,使它对已知训练数据及未知测试数据(test data)在给定的评价准则下有最优的预测;最优模型的选取由算法实现.<