好意在成长中——机器学习心得（一）

近期刚阅读周志华的《机器学习》，下文仅对第一章进行总结。

重点总结

1.特征向量：feacher vector

2.机器学习形式化的定义：有经验E，关于任务T与评估性能指标P，若T在E下的P提高，则称程序对E进行了学习。

3.标签（label）:关于示例结果的信息。

4.标记空间（label space）:一般的，一个示例的所有标记集合。

5.泛化（generalization）:学得模型适用于新样本的能力。

6.奥卡姆剃刀（Occam’s razor）:若有多个假设与观察一致，则选择最简单的那个。

7.NFL定理（No Free Lunch Theorem):单独的“学习算法”不可比较，只有具体问题具体分析，学习算法自身的归纳偏好于问题是否相匹配，往往起决定性作用。

8.监督学习（supervised learning）与无监督学习（unsupervised learning）：

后记

走一步，再走一步，选择与坚持同等重要。 ——好意