机器学习常见名词解释

常见名词解释：

模型融合：同时训练多个模型，用一定办法将其融合在一起

弱学习器：比瞎猜强一点的

强学习器：精确率达90%以上

过拟合：个人理解，训练集中有公共特点a和私有特点b，我只要学会处理a就可以处理这类问题了，但是我错误的把b也给学会了，学多了，导致处理训练集的时候拟合的很好，但是处理这一类问题的时候表现不佳。解决方法：数据处理（特征工程）

欠拟合：没训练到位

泛化能力：是否可以用在新的数据集上

正则化：防止过拟合

长尾分布：尾巴很长的一种分布

BOX-COX转换：把不满足正态分布的转换成正态分布

3-sigma原理：将异常值处理成平均值

归一化：将数据集映射到[0,1]之间

标准化：将数据集转换成均值为0，标准差为1

幂律分布：分布函数是幂函数

训练集：课上习题，用于学习

验证集：课后作业，用于验证巩固（帮助调参）

测试集：期末考试：测试成功

监督学习：训练集中包含正确答案

无监督学习：不包含正确答案

损失函数（代价函数）：单个样本在线性回归中的误差

特征筛选：可以得到一个排名，确定每个属性的重要程度

支持向量机：监督学习的二元分类的分类器？

数据预处理包含：数据探索，数据清洗，特征预处理

特征预处理包含：数值型特征无量纲化，数值型特征分箱，统计变换，类别特征编码

模型参数：训练得到的参数

超参数：训练之前人为设定的参数