注:此文仅作为个人学习笔记。
第一章 绪论
1.
机器学习(machine Learning):致力于研究如何通过计算的手段,利用经验来改善系统自身性能;
学习算法(learning algorithm):关于在计算机上从数据中产生“模型”(model)的算法;
2.(基本术语解释)
数据集(data set)
示例(instance)/样本(sample):数据集中每条记录是关于一个事件获对象的描述;
属性(attribute)/特征(feature):反映事物或对象在某方面的表现或性质的事项;
特征向量(feature vector):属性/特征 + 属性值 + 属性空间/样本空间/输入空间 构成三个坐标轴,每一个数据都可以在这个空间里找到自己的坐标位置。空间内每个点对应一个坐标向量,该向量为该数据的特征向量;
D = {X1,X2,...,Xm}表示包含m个示例的数据集;
每个示例由d个属性描述,则每个示例 Xi = (Xi1;Xi2;...;Xid)是d维样本空间中的点一个向量,其中Xij是Xi在第j个属性上的取值;d称为样本Xi的“维数”;
从数据中学得模型的过程称为“学习”(learning)或“训练”(training),这个过程通过执行某个学习算法来完成。
训练过程中使用的数据称为 “训练数据”(training data)
其中每个样本称为一个 “训练样本”(training sample)
训练样本组成的集合称作 “训练集” (training set)
学得模型对应了关于数据的某种潜在的规律,称为 “假设”(hypothesis)
这种潜在规律自身,则称为 “真相” 或 “真实” (ground-truth)学习过程就是为了找出或者逼近真相
学习器(learner)看作学习算法在给定数据和参数空间上的实例化
建立预测(prediction)模型,获得训练样本的“结果”信息;
关于示例结果的信息称为 “标记”(label);
拥有了标记信息的示例称为 “样例”(example);
一般用(Xi,Yi)表示第i个样例,其中Yi是示例Xi的标记,Y是所有标记的集合,亦称为“标记空间”(label space)或“输出空间”;
若预测的是离散值 则称为分类(classification);
若预测的是连续值 则称为回归(regression);
只涉及两个类别的 “二分类”(binary classification)任务,
一个为正类(positive class)任务 另一个是反类/负类(muti-class classification)任务;
涉及到多个类别时,称为 “多分类”(multi-class classification)任务;
预测任务希望通过对训练集{(X1,Y1),(X2,Y2),...,(Xm,Ym)}进行学习,建立一个从输入空间X到输出空间Y的映射 f:X<-->Y;
对二分类任务,通常令 Y = {-1,+1}或{0,1};
对多分类任务,|Y| > 2;
对回归任务,Y = R,R为实数集;
学习模型后,使用其进行预测的过程称为:”测试“(testing),被预测的样本称为”测试样本“(testing sample)
Eg:学习 f 后,对测试例X,可得到其预测标记 y = f(x);
聚类(clustering)将训练集分为若干个小组,每个组称为一个”簇“(cluster),这些自动形成的簇对应一些潜在的概念划分,有助于我们了解数据内在的规律,能为更深入地分析数据建立基础。
在聚类学习中,使用的训练样本通常不拥有标记信息;
监督学习(supervised learning):分类、回归
无监督学习(unsupervised learning):聚类
泛化能力(generalization):学得模型适用于新样本的能力;
具有强泛化能力的模型能很好的适用于整个样本空间,通常假设样本空间中全体样本服从一个未知的 ”分布“ (distribution)D;
我们获得的每个样本都是独立地从这个分布上采样获得的,即 ”独立同分布“(independent and identically distributed,简称i.i.d.)关于D的信息越多,这样就越有可能通过学习获得具有强泛化能力的模型。