机器学习入门（基础知识、线性回归算法）

最新推荐文章于 2024-03-25 08:00:00 发布

Tiiian_

最新推荐文章于 2024-03-25 08:00:00 发布

阅读量269

点赞数

文章标签：算法

本文链接：https://blog.csdn.net/weixin_42843159/article/details/88900407

版权

这篇博客介绍了机器学习的基础知识，包括监督学习和无监督学习，重点讲解了线性回归模型，涵盖原理、函数、优化方法和评估指标。讨论了泛化能力、过拟合和欠拟合的概念，并介绍了交叉验证法在模型评估中的作用。

摘要由CSDN通过智能技术生成

1.机器学习基础

监督学习（supervised learning）

主要任务：
模型能够对任意给定的输入，对其相应的输出做一个好的预测。<给定一个输入产生一个输出>，对于每一个数据<训练集、测试集>都会有一个对应的输出值<标签、预测值>
主要模型
监督学习的主要模型：线性回归、逻辑回归、支持向量机、k近邻、决策树、随机森林

非监督学习（unsupervised learning）

泛化能力：
机器学习的目标是模型能在新的样本<未知样本5>中也能很好的试用，对于分类模型也希望在样本空间可以得到很好的分类，模型适用于新样本的能力称为泛化能力。## 可以理解为模型举一反三的能力

性能度量：衡量模型泛化能力的评价标准。对比不同模型的能力时，使用不同的性能度量会带来不同的评判结果。模型的好坏是相对的，什么样的模型是好的，不仅取决于算法，还取决于需求。
其中回归最常用的性能度量是均方误差

关注