机器学习笔记--机器学习基本概念（全面总结，通俗易懂）

---

前言

  什么是机器学习？本文主要介绍了机器学习中的常见概念，包括监督学习和无监督学习、半监督学习、弱监督学习、强化学习、欠拟合和过拟合、损失和优化的概念以及常用的激活函数等。

---

一、什么是机器学习

机器学习：通过从经验中学习，使计算机能够从数据中提取出规律、模式和知识，并利用这些知识来做出预测、做出决策或执行任务，而无需明确地编程规则。

二、机器学习常见概念

1.监督学习和无监督学习

1.1 监督学习
定义:提供输入数据和其对应的标签数据，然后搭建一个模型，模型经过训练后准确的找到输入数据和标签数据之间的最优映射关系，从而对新的未标记数据进行预测或分类。
  定义看懵逼了吧？接下来说人话！！！

  假如有一群草泥马和牛马组成的马群，这时候需要一个机器对马群进行分类，但是这个机器不知道草泥马和牛马长什么样儿，所以我们首先拿一堆草泥马和牛马的照片给机器看，告诉机器草泥马和牛马长什么样儿。机器经过反复的看，形成肌肉记忆，可以对草泥妈和牛马形成自己的定义，然后机器就可以准确的对马群进行分类。在这个过程中，草泥马和牛马的照片就叫做标签，反复的看理解为训练，形成的肌肉记忆叫做模型，这就是监督学习的过程。

监督学习主要包括：线性回归、逻辑回归、决策树、随机森林、支持向量机、朴素贝叶斯、k近邻算法。
1.2 无监督学习
定义:训练数据只包含输入样本，没有相应的标签或目标。
包装一下：我们没有拿草泥马和牛马的照片对机器进行系统的训练，机器也不知道这两个马儿长什么样，而是直接让机器对这两个马儿进行分类。这就是无监督学习。

  如图1所示，左图是无监督学习的过程，虽然数据被分成了两类，但是没有对应的数据标签，统一用蓝色的圆点表示，这更像是把具有相同的特征的数据聚集在一起，所以无监督学习实现分类的算法又叫做聚类。右图是监督学习中二分类的过程，标签在图中体现为三角和圆。