“西瓜书核心知识点”---第一章：基本知识点

Hello, CSDN 上的小伙伴们好呀，因为研究生开始就要跟随导师研究关于

图像处理等方向的内容（本人今年已保研到电子科技大学，嘻嘻），所以趁

着大四寒假的空闲时间，准备好好将机器学习、深度学习学一下，做几个小

项目实战。这也是我在CSDN上发布的第二篇，后面会出来“西瓜书”的续集

哦！

所以，打算将学习笔记整理和大家共享，也欢迎大家交流学习，也欢迎大家

提出意见和建议！

西瓜书第一章的内容比较简单，主要是一些概念。

1.数据集：

进行机器学习之前，首先要有数据。记为：
该公式表示：包含m个示例的数据集。例：（色泽=青绿；根蒂=蜷缩；敲声=浊响），（色泽=浅白；根蒂=硬挺；敲声=清脆），…，即：属性=属性值。
每个属性作为一个坐标轴，则一个示例称为一个“特征向量”。

2.

从数据中学得模型（西瓜书中有时将 模型 称为 学习器）的过程“学习”or“训练”。

预测：

需要标记（label）:（（色泽=青绿；根蒂=蜷缩；敲声=浊响），好瓜），“好瓜”=标签,

判断“好瓜”“坏瓜”用到回归分类，有二分类和多分类问题，模式识别中多出现这种。

测试：

学得模型之后，进行预测即测试。

3.

根据训练数据是否拥有标记信息，学习可划分为两大类：监督学习（supervised learning）,(分类、回归等)和无监督学习（unsupervised learning），（聚类等），or称为“有导师学习”和“无导师学习”。

4.泛化能力：

学得的模型适用于新样本的能力。具有强泛化能力的模型能很好地适用于整个样本空间。

5.归纳(induction)：

特殊到一般的“泛化”（generalization）过程。演绎(deduction)：一般到特殊的“特化”（specialization）过程。

6.归纳偏好：

一个有效的机器学习算法必有其归纳偏好，否则将被其他等效假设迷惑，得不到确定的结果。
“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。