《机器学习》第一节：相关概念的理解

《机器学习》第一课：学习环境搭建及相关概念的理解

学习环境搭建

• 学习环境：jupyterlab
• 实现语言：Python

建议安装顺序：

本次机器学习课程本人所用python版本为3.8.1，IDE为jupyterlab，使用miniconda搭建环境.

关于conda工具的常用命令：

比如本次建立的工作环境为machinelearing，则命令如下：
conda create -n machinelearing python=3.8.1
突然发现我的learning好像写错了┭┮﹏┭┮，已经建好了就不管了呜呜

相关概念的理解

• 训练集：用于训练模型（拟合参数）：即模型拟合的数据样本集合，如通过训练拟合一些参数来建立一个分类器。
• 测试集：用来评估模最终模型的性能如何（评价模型好坏）：测试集没有参于训练，主要是测试训练好的模型的准确能力等，但不能作为调参、选择特征等算法相关的选择的依据。说白了就只用于评价模型好坏的一个数据集。
• 验证集：用于确定网络结构或者控制模型复杂程度的超参数（拟合超参数）：是模型训练过程中单独留出的样本集，它可以用于调整模型的超参数和用于对模型的能力进行初步评估。 通常用来在模型迭代训练时，用以验证当前模型泛化能力（准确率，召回率等），防止过拟合的现象出现，以决定如何调整超参数。

• 样本(sample) ：数据表的一行数据或记录。
• 属性(attribute)：一行数据具有的指标。
• 特征(feature)：同属性。
• 属性值 ：属性的具体取值，可以是集合也可以是范围。
• 属性空间：所有属性的所有可能取值组成的空间。
• 样本空间：所有样本组成的空间。
• 特征向量(feature vector)：一行数据的特征组成的向量。
• 输入空间：可以近似理解为一个函数的定义域。
• 输出空间：可以近似理解为一个函数的值域，映射关系称为假设

上述概念仅为机器学习过程中的一小部分，日后应注重基本概念的积累，在掌握模型的基础上加以深刻理解。