《机器学习实战》1章-机器学习概览

前言：

 本文是对蜥蜴书第二版第一章学习概要。

一、什么是机器学习

利用经验E来学习任务T，性能是P，如果针对任务T的性能P随着经验E不断增长，则称为机器学习。 -Tom Mitchell

二、机器学习分类

Ⅰ、按照是否有监督

• 有监督学习

  有标签

• 无监督学习

  无标签

• 半监督学习

  部分有标签

• 强化学习

  有奖惩。

Ⅱ、按照是否动态增量学习（持续学习）

• 在线学习

  不良的数据可能会使系统性能降低。

• 批量学习

Ⅲ、按研究对象

• 基于实例学习
• 基于模型学习

三、机器学习的挑战

Ⅰ、数据数量

Ⅱ、数据是否具有代表性

• 极端数据的取舍
• 重要数据是否缺少

Ⅲ、低质量数据

• 错误、异常、噪声
• 缺少重要特征

Ⅳ、无关特征

• 选择有用的特征
• 对特征进行提取与整合
• 收集新数据创建新特征

Ⅴ、过拟合

正则化：regularization 😉 通过约束模型使其更简单，降低过拟合的风险。

超参数：hyper-parameter 😉
是在开始学习过程之前设置值的参数，而不是通过训练得到的参数数据。
 通常情况下，需要对超参数进行优化，给学习机选择一组最优超参数，以提高学习的性能和效果。

• 简化模型
  1. 选择较少参数模型，
  2. 减少属性
  3. 约束模型
• 收集更多数据
• 减少噪声，修复错误数据，清除异常值。

Ⅵ、欠拟合

• 选择更多参数、更强大的模型
• 更好的特征集
• 减少约束。

三、测试与验证

样本分成独立的三部分

• 验证集（validation set ) 25%

  验证集用来确定模型参数。

• 训练集（train set）50%

• 测试集（test set）25%

  测试集则检验最终选择最优的模型的性能如何。

当样本总量少的时候，上面的划分就不合适了。

常用的是留少部分做测试集。然后对其余N个样本采用K折交叉验证法。

• 留一法

就是将样本打乱，然后均匀分成K份，轮流选择其中K－1份训练，剩余的一份做验证，计算预测误差平方和，最后把K次的预测误差平方和再做平均作为选择最优模型结构的依据。特别的K取N，就是留一法（leave one out）。