本文介绍了机器学习的基础概念，包括Mitchell的机器学习定义、数据集的构成、有监督与无监督学习的区别，以及模型评估中的泛化能力。还探讨了归纳与演绎的过程以及奥卡姆剃刀原则在模型选择中的应用。
整体评价：
简单、以概念为主
知识点：
machine learning：机器学习
Mitchell1997年给出了一个更形式化的定义：
- 假设用P，来评估计算机程序在某任务类T上的性能，若一个程序，通过利用经验E，在T中任务上获得了性能改善，则我们就说关于T和P，该程序对E进行了学习。
术语
- data set：数据集，所有观测值的集合
- instance/sample：示例或样本，观测值
- attribute/feature：属性或特征，即维度
- dimensionality：维数，维度的数量
- training data：训练集
- testing data：测试集
- label：标记 ，即Y
- feature selection：特征选择
有监督学习和无监督学习
- supervised learning：有监督学习（有明确答案），代表为binary/multi-class classification二分类/多分类，regression回归
- unsupervised learning
最低0.47元/天 解锁文章
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
