qq_32439305的博客

本篇主要介绍拟合与误差，以及调参等 1. 经验误差与过拟合 学习在训练集上的误差称为“训练误差”，而在新样本上误差称为“泛化误差”。 实际上，我们通常得不到泛化性能很好的模型，原有有两种： 过拟合（overfitting）: 学习能力过于优秀，学到一些非一般的特性。 欠拟合（underfitting）：对训练样本的一般性质尚未学好。 机器学习面临的问题一般是NPNPNP难问题(什么是NP)，因此只要相信NP≠PNP\ne PNP​=P那么过拟合将无法避免。 下面简单介绍从训练集得到测试集的方法： .

学完算法，还想更深入一步，那么接触一下机器学习，是很有必要的，你需要知道当下为什么ML这么火，包括自动驾驶，人脸识别等都与之相关。有些甚至基本算法理论无法解释。 参考周志华《机器学习》 任务： 分类（classification）: 预测离散值。 回归（regression）:预测连续值。 一般地，我们对训练集(x1,y1),⋅⋅⋅,(xm,ym){(x_1,y_1),···,(x_m,y_m)}(x1​,y1​),⋅⋅⋅,(xm​,ym​)进行学习，建立一个从输入空间χ\chiχ到输出空间Υ\Up.