AI作业1-ML基础

1.监督学习：是一个机器学习中的方法，可以由训练资料中学到或建立一个模式，并依此模式推测新的实例。训练资料是由输入物件（通常是向量）和预期输出所组成。函数的输出可以是一个连续的值（称为回归分析），或是预测一个分类标签（称作分类）。

无监督学习：根据类别未知(没有被标记)的训练样本解决模式识别中的各种问题，称之为无监督学习。

2.分类：预测离散值并输出

回归：预测连续的数值输出

3.聚类：无监督学习的分类，按照某种特定标注将数据划分为有意义的组，使得组内数据对象的相似性尽可能大

降维:将向量投影到低维空间，以达到某种目的的可视化或是分类

4.损失函数：估量模型的拟合性，损失函数越小，则拟合效果越好

5.训练集：用于机器学习训练模型的数据集

测试集：用于测试机器学习训练结果正确性的数据集

验证集：用于验证机器学习训练结果泛化能力的数据集，为训练集与测试集以外的新数据

6.过拟合：是指在训练集上的误差较小，但在测试集上的误差较大。

欠拟合：指在训练集上的误差较大。

7.经验风险：模型对于训练集的预测能力，对训练数据的误差

期望风险：表示模型对训练数据以外数据的预测能力，对训练数据外的误差