datawhale西瓜书打卡（第一二章）

刚看完前两章，没有仔细研读，一些深入的不太常用的概念都跳过了，只把以前接触过的点系统过了一遍。
先说感受：整体读来确实比国内常见教材要通俗易懂一点，不是冷冰冰地讲结论和知识点，而是会举例解释，知识点与知识点之间有过渡和联系。

笔记

绪论

从一个人尽皆知的挑西瓜的例子开始，引入了机器学习。通过这个例子，读者可以明白机器学习是做什么的：就像人通过已有的经验对新事物的现象做出判断一样，机器学习就是一种从大量数据中获取知识的一种学习方式。
现在我们的知识海洋中多了机器学习这一个节点，为了将它与已有的知识联系起来，接下来介绍了机器学习的父节点——人工智能。人工智能的发展历史，机器学习当中的全连接算法早已被提出，但当时落后的计算能力限制了算法的进一步发展。在今天机器学习崛起更像是一种必然，因为处于大数据时代，数据量浩如烟海，计算能力更是突飞猛进。
数据集：样本的集合。
样本：一些属性的集合。
学习器：算法模型。
学习器对新样本进行预测，当预测值为离散值时，可以看做分类任务（离散值为两个时，二分类任务；多个时，多分类任务）。当预测值为连续值时，可以看做回归任务。
假设空间：输入空间到输出空间的映射的集合。（一些函数的集合）
这里推荐一篇别人的笔记，很有帮助。
假设空间和版本空间的辨析

第二章 模型评估与选择

关于机器学习，或许可以提出几大要素：数据集、算法模型、模型评估。
1.关于数据集。
书的一开始关于数据集只有训练集和测试集，这里的测试集是一种在训练范围内的对模型进行测试、看看模型的效果、效果不好就调整参数或者结构的验证集。也就是验证集啦。记住一点：机器学习模型的选择和调参都是基于验证集的性能。测试集只对模型的最后性能做出评估，并不会反馈到具体的参数调整上。
2.关于模型评估。
首先要明确评估什么东西：评估的是算法模型在面对新数据上能否正确做出预测的能力，也即评估模型的泛化能力。
其次是如何评估的问题，也就是模型的性能度量。通过什么指标来评估呢？这种指标可靠不可靠呢？
如何评估模型的泛化能力呢，实际中是没法对所有的新数据都拿来测试一下，看看模型效果咋样的。那就只能从所有的新数据中取一部分作为代表，来进行近似。（统计学的概念），因此评估模型的泛化能力≈评估模型在测试集上的表现。
怎么评估模型在测试集上的表现呢：错误率（error）、精度（accuracy）、查准率（precision）、查全率（recall）。
关于这四个的区别，对二分类任务列个混淆矩阵就知道了。
其中P和R一般是互斥的，查的越全，一般就越不准。