1.1 机器学习的定义
定义:机器学习是用数据或以往的经验,生成并不断完善算法模型性能,在面对新的情况中,计算机便能作出有效的判断。
另一本经典教材的作者Mitchell给出了一个形式化的定义,假设:
- P:计算机程序在某任务类T上的性能。
- T:计算机程序希望实现的任务类。
- E:表示经验,即历史的数据集。
若该计算机程序通过利用经验E在任务T上获得了性能P的改善,则称该程序对E进行了学习。
1.2 机器学习的一些基本术语
假设我们收集了一批西瓜的数据,例如:(色泽=青绿;根蒂=蜷缩;敲声=浊响), (色泽=乌黑;根蒂=稍蜷;敲声=沉闷), (色泽=浅自;根蒂=硬挺;敲声=清脆)……每对括号内是一个西瓜的记录,定义:
-
数据集(data set):所有记录的集合。
-
实例(instance)、样本(sample):每一条记录。
-
属性(attribute)、特征(feature):反映事件或对象在某方面的特征或性质,例如 色泽。
-
属性值(attribute value):属性上的取值,例如 色泽=“青绿”。
-
属性空间(attribute space)、样本空间、输入空间:属性张成的空间。
-
特征向量(feature vector):利用西瓜的三个属性,张成一个三维空间,每个西瓜都可以用坐标轴中的一个点表示,即坐标向量。
-
维数(dimensionality):一个样本的属性数目。当维数非常大时,也就是现在说的“维数灾难”。
-
学习(learning)、训练(training):计算机程序从经验数据生成算法模型的过程。
-
训练数据(training data):训练过程种使用的数据。
-
训练样本(training sample):每一条数据称为训练样本。
-
训练集(training set):训练样本组成的集合,[特殊]。
-
测试集(test set):所有测试样本的集合,[一般]。
-
泛化能力(generalization):机器学习出来的模型适用于新样本的能力,即从特殊到一般。
-
假设(hypothesis):学得得模型对应于关于数据恩等某种潜在的规律。
-
真相(ground-truth):潜在的自身规律,学习过程就是为了找出真相。
-
学习器(learner):模型。
-
样例(example):拥有标记信息(label)的模型
-
分类(classification):预测的是离散值,例如“好瓜”、“坏瓜”。
① 二分类:这涉及两个类别,称其中一个为“正类”,一个为“负类”。
② 多类:涉及多个类
-
回归(regression):预测的是连续值。
-
测试(testing):学得模型,进行预测的过程。
-
聚类(clustering):训练集中分成若干个簇。
-
泛化(generalization):学得模型使用于新样本的能力。
-
训练数据有标记信息的学习任务为:监督学习(supervised learning),容易知道上面所描述的分类和回归都是监督学习的范畴。
-
训练数据没有标记信息的学习任务为:无监督学习(unsupervised learning),常见的有聚类和关联规则。
1.3 假设空间
- 归纳(induction):从特殊到一般。
- 归纳学习:从样例中学习。(广义)
- 演绎(deduction):从一般到特殊。
- 假设空间:所有假设组成的空间
- 版本空间:存在着一个与训练集相一致的“假设集合”。
1.4 归纳偏好
定义:机器学习算法在学习过程中对某种类型假设的偏好。
“奥卡姆剃刀”:若有多个假设与观察一致,则选择最简单的那个,即曲线更加平滑。
没有免费的午餐(NFL):对于一个算法a,如果在某种问题上比算法b好,必然存在在另一种情况,算法b比算法a好。