目录
第1章 绪论
1.1机器学习:研究关于“学习算法”的学问 => 在计算机上从数据(经验)中产生“模型”的算法。
1.2基本术语:
数据集 100个西瓜
样本(示例) 1个西瓜
特征(属性) 色泽、根蒂、敲声
特征值 乌黑、蜷缩、沉闷
样本空间(输入空间) 上述是三维空间
特征向量 每个样本在样本空间里对应的坐标向量
训练(学习) 从数据中学得模型
训练数据
训练样本(训练例)
训练集
学习器 模型,可看作学习算法在给定数据和参数空间上的实例化
标记 示例的结果信息
样例 拥有标记信息的示例
标记空间(输出空间) 所以标记的集合
分类 有监督学习 离散值 分为:二分类(正反类)、多分类
回归 有监督学习 连续值
聚类 无监督学习 通常无标记信息
测试
测试样本(测试例)
泛化能力 学得模型适应于新样本的能力
1.3假设空间:
归纳 从特殊到一般 分为:广义、狭义(学得概念)
演绎 从一般到特殊
假设空间
版本空间 与训练集一致的“假设集合”
第2章 模型评估与选择
2.1经验误差与过拟合:
错误率 E = a/m
精度 1 - E
误差 |学习器的预测输出 - 样本的真实输出|
训练误差 (经验误差) 学习器在训练集上的误差
泛化误差 学习器在新样本上的误差
过拟合(过配) 学习能力过强 麻烦,无法彻底避免
欠拟合(欠配) 学习能力低下 较容易克服
2.2评估方法:
测试集 尽可能与训练集互斥
测试误差
得到测试集和训练集的方法:
1、留出法:
将数据集D划分出两个互斥集合(三七分、二八分),划分时要尽可能保持数据分布的一致性;
一般要进行多次随机划分,训练出多个模型,重复实验评估后取平均值。
缺点:
测试集小,则模型更接近于D训练出的模型,但评估结果不够稳定准确;
训练集小,则模型与D训练出的模型有较大差别,评估结果的保真性降低。
2、交叉验证法:
k折交叉验证:
将数据集D分成k个相似的互斥子集(分层采样),每个子集要尽可能保持数据分布的一致性,每次用(k-1)个子集的并集作为训练集,剩下的那个子集为测试集,可获得k组训练/测试集,进行k次训练和测试,返回k次实验结果的平均值;
一般k个子集要进行多次随机划分,最终得多次k折交叉验证结果的平均值。
特例:留一法 往往被认为较为准确,但某些情况下误差极大。
缺点:数据量较大时,对算力要求高
3、自助法:
对有m个样本的数据集D自主采样m次(放回采用),D中约有36.8%的数据未出现在采样数据集D'中,将D'作为训练集,将D/D'作为测试集(/:集合减法)。
适用于数据集较小,难以划分训练/测试集的情况。
缺点:改变了初始数据集的分布会引入估计偏差
调参与最终模型:
验证集 模型评估与选择中用于评估测试的数据集
将训练集分为验证集和测试集,基于验证集进行模型选择和调参。
2.3性能度量:
D = {(x1,y1),(x2,y2),(x3,y3)...(xm,ym)},评估学习器f的性能,即比较学习器预测结果f(x)与真实标记y。
均方误差:
p( )为概率密度函数
错误率:
精度:
查准率P、查全率R:
分类结果混淆矩阵
对于二分类问题,
查准率P为真正例占预测正例的比值(预测正例中准确的)
查准率公式
查全率R为真正例占真实正例的比值(真实正例中被预测出的)
查全率公式
查全率和查准率两者相互矛盾
BEP(平衡点) 查全率 = 查准率 时的取值
P-R曲线与平衡点示意图
在P-R曲线与平衡点示意图中,
由于A曲线完全包住C曲线,所以认为学习器A性能优于学习器C。
由于A曲线的BEP大于B曲线的BEP,所以认为学习器A性能优于学习器B。
F1度量 基于查准率和查全率的调和平均
Fβ F1度量的一般形式,能表达出对查准率和查全率的不同偏好
β>1时偏向查全率,β<!时偏向查准率
对于二分类混淆矩阵,
宏查全率(macro-P)、宏查准率(macro-R)、宏F1(macro-F1):
先在各混淆矩阵上求查全率和查准率,再求平均
微查全率(micro-P)、微查准率(micro-R)、微F1(micro-F1):
先在各混淆矩阵上求各元素平均值,再求查全率和查准率
以上思路均来源于《机器学习》前两章内容,仅代表个人理解。