机器学习笔记——机器学习定义

机器学习定义

Arthur Samuel 对于机器学习的定义是：在没有限制的条件下，使计算机具有学习能力的研究领域。
Samuel做过一个跳棋系统，通过与计算机进行数万次对弈后，尽管Samuel不擅长下棋，但计算机程序仍学会了下棋并很快超过了Samuel。
Tom Mitchell的定义是：计算机程序从经验E中学习，解决某一任务T，进行某一性能度量P，通过P测定在 T上的表现因经验E而提高。
在Samuel的跳棋系统中，数万次对弈是E，下棋是任务T，与新对手的胜率既是性能度量P。

• 学习类型
  最主要的两类是supervised learning（监督学习）和unsupervised（无监督学习）。
  监督学习指我们教会计算机做某件事情，无监督学习中，我们让计算机自己学习。
  其他学习类型有reinforcement learning (强化学习) 和recommender systems (推荐系统)。
• 监督学习
  监督学习是指我们给算法一个数据集，即正确真实的数据，通过这些数据训练或拟合出一个模型从而使得我们能够通过此过程得到更多的接近正确的预测和结果。
  1.回归问题
  
  首先给出一个data set，即现有的成交房价，在图中已经标出，y轴是房价，x轴是大小，我们可以直接用一条直线拟合也可以用二次函数来拟合数据，根据算法的不同预测的结果也不同，这也是我们要做决定的地方，选择的模型更精确，预测的就更加准确。
  这也可以称为Regression problem（回归问题），回归问题是指我们想要预测连续的数值输出，也就是价格，但实际上价格是一个离散数值，我们设法预测了连续值的属性。
  2.分类问题
  
  还是通过data set训练模型，可能会有很多的特征值，肿瘤大小，肿瘤细胞活性等等，x轴代表了肿瘤大小，y轴就是结果，分类问题通过离散的数据训练后，同样可以进行预测或判断。
• 无监督学习
  聚类算法
  
  我们得到一个数据集，我们不知道数据集是什么也不知道每个数据点究竟是什么，我们直接去判断其中有什么结构，可以看到有个不同的簇，然后直接去训练进而实现某些结果