自学机器学习笔记（一）

不是通过显著式的编程得到的

比如分类问题，让计算机自己去总结分类的特点。

非显著式编程的做法：可以采用的一系列行文

我们规定在特定的环境下，机器人作这些行文所带来的收益（收益函数）

定义：程序对于某个任务T和某个性能指标P，从经验E中学习。在学习过程中，它在T上的被P所衡量的性能，会随着经验E的增加而提高。

机器学习分为监督学习（自己添加标签），强化学习（机器热通过与环境的互动逐渐强化自己的行为模式）（这样的分类不绝对)

监督学习的一种分类方法：基于标签的固有属性

分类（标签是离散的值） 回归（标签是连续的值）

机器学习的步骤

纹理特征

第一步：特征提取:通过训练样本获得的对机器学习任务有帮助的多维度数据。（好的特征才可能获得好的性能）

特征提取结果

第二步：特征选择

将每个特征都分到不同维度，叫特征空间

第三步：使用算法

没有免费午餐定理：任何一个预测函数，如果在一些训练样本上表现好，那么必然在另一些训练样本上表现不好，如果不对数据在特征空间的先验分布有一定假设，那么表现好与表现不好的情况一样多。

机器学习的本质：在有限的已知数据，在复杂的高维特征空间中预测未知的样本