qq_43742385的博客

分类问题：概率生成模型 课程例子：通过宝可梦的一些属性能不能预测出这个宝可梦属于哪个类型。 用于分类的训练集数据（一直宝可梦的属性和他所属于的种类） 如果考虑用线性回归的方式来做这件事情，如果输入数据，通过函数得到的值接近1，我们就说这只宝可梦是种类1，如果接近-1，我们说是种类2，但是这样可能出现对于太偏离的点当我们做线性回归预测的时候使得函数像这边偏移。 所以考虑概率生成模型：步骤： 首先定义一个概率模型： 找到最好的概率函数（产生这些点的可能性最大） 找到最好的模型，用测试数据去测试。 如果找

误差来源分析 概述： 由于我们是使用有限个数据来找到的一个最合适的函数来评估我们的真实函数，所以我们找到的函数模型肯定会有误差 偏差(bias)和方差(variance)是导致误差的两个主要原因,偏差反应的是我们选的函数离真实函数的差距到底有多远，方差就是我们选的很多次函数的离散程度(假定在一个平行宇宙中，我们每个宇宙都选到了一个函数，或者我们在不同的测试数据中找到的函数 过拟合和欠拟合： 如果在训练数据上拟合的比较好，但是测试数据山拟合的比较差，这种叫做过拟合，我们将会得到很大的Variance

机器学习系统学习 机器学习是实现人工智能的手段 机器学习就是找到一个最好的函数，能够对输入的机器找到一个最好的解（例如语音识别，图像识别，下棋等等） 机器学习的三个步骤： 定义一个函数集合 通过训练数据判断每个函数的好坏 找到训练集中最好的函数，这个函数就是我们用来做机器学习的函数 根据所给的训练数据可以分为以下三种类型 监督学习：也就是给的数据会贴上标签，知道这个数据输入进去通过函数会输出什么东西 无监督学习：数据是没有标签的，对于输入的数据，机器是不知道他会输出什么的，这种方式就是机器完全自学