机器学习概述
基本定义
机器学习致力于研究如何通过计算的手段,利用经验来改善系统自身的性能。在计算机系统中,“经验”通常以“数据”形式存在,因此,机器学习所研究的主要内容,是关于在计算机上从数据中产生“模型”的算法,即“学习算法”。有了学习算法,我们把经验数据提供给它,它就能基于这些数据产生模型。
机器学习任务类别
根据训练数据是否拥有标记信息,学习任务可大致划分为两大类:“监督学习”和“无监督学习”,分类和回归是前者的代表,而聚类则是后者的代表。
基本术语
1.从数据中学得模型的过程称为“学习”或“训练”,这个过程通过执行某个学习算法来完成。训练过程中使用的数据称为“训练数据”,其中每个样本称为一个“训练样本”,训练样本组成的集合称为“训练集”。学得模型对应了关于数据的某种潜在的规律,亦称为“假设”;这种潜在规律自身,则称为“真相”或“真实”,学习过程就是为了找出或逼近真相。
2.学得模型适用于新样本的能力,称为“泛化”能力。
模型评估与假设
经验误差
一般地,我们把学习器在训练集上的误差称为“训练误差”或“经验误差”,在新样本上的误差称为“泛化误差”。
过拟合与欠拟合
评价方法
- 留出法
- 自助法
- 交叉验证法
性能度量(以分类算法为主)
错误率与准确率
错误率是分类错误的样本数占样本总数的比例。
正确率则是分类正确的样本数占样本总数的比例。
精确率(Precision)、召回率(Recall)与F1
精确率P和召回率R定义
F1定义
F1可以综合考虑精度、召回率的性能度量,它是基于精度与召回率的调和平均定义的