weixin_45503538的博客

connection weight 和 threshold—-参数 BP算法 aka误差逆传播算法 反向传播算法 BP算法应对过拟合的方法： early stopping regularization 局部最小&全局最小 （遗传算法） 一些常见的神经网络

第四章 决策树 信息熵 首先引入信息熵information entropy的概念，来度量样本数据的纯度。数据越杂乱，则信息熵越高。 信息增益 接着引入信息增益的概念，与选择的属性a相关，即用属性a来进行原始数据的划分，如果可大幅降低了数据的杂乱程度，则信息增益大，选择属性a进行区分是很不错的选择。 增益率 防止由于属性a的取值数目过多而造成的计算出信息增益极大，影响属性的选择，将信息增益/属性a的一个固有值：depends on 属性a的取值数目，但需注意增益率会对取值数目少的属性有所偏好，因此C4.5算

Ch1 绪论 监督学习：回归、分类 非监督学习：聚类 Ch2模型评估与选择 过拟合：不可避免，只能“缓解” 欠拟合：容易克服 查准率（precision）vs查全率（recall） 相等时称为平衡点BEP