第一章 绪论 学习笔记

1.1 引言

        机器学习就是通过计算的手段，从已有数据集中产生模型，而这个模型就可以用于对新的情况进行处理。

1.2 基本术语

        数据集、样本/示例、属性/特征、属性值、属性空间/样本空间/输入空间、特征向量，样本的维数（即它包含多少个属性）

        标记：有关示例结果的信息，拥有标记信息的示例称为样例，样例张成的空间称为标记空间或者输出空间。

        学习任务：分类（预测的是离散值、有监督学习）、回归（预测的结果是连续值、有监督学习）、聚类（无监督学习），没有标记的就是无监督学习。

        泛华能力：学得模型适用于新样本的能力。

1.3  假设空间

        假设的表示一旦确定，假设空间的大小以及规模大小就确定了。

1.4 归纳偏好：机器学习算法在学习过程中对某种类型假设的偏好

奥卡姆剃刀原则：选简单的

没有免费的午餐原则：其实都一样！