机器学习 模型

独立同分布

错误率 分类错误的样本数占样本总数的比例 E=a/m
精度 (1-a/m)*100%

误差 学习器预测的值与样本实际的值之间的差异
在训练集上称为经验误差 或者 训练误差
在新的样本上称为 泛化误差

泛化误差越小越好，但实际只能让训练误差最小化

尽可能从训练样本中学得所有潜在样本的普遍规律
但可能会导致把训练样本的特征作为了所有潜在样本的特征， 导致泛化能力下降 ----过拟合
相反的 就是欠拟合

测试集
测试误差作为泛化误差的近似
测试集尽量与训练集互斥，不要在训练集中出现过

训练集和测试集的划分尽量保持数据分布的一致性
分层采样