目录
一、西瓜书准备篇
1、绪论
(1)假设空间
学习过程中的基础思想:
归纳:从特殊到一般的”泛化“;
演绎:由基础原理推演到各种情况;
归纳学习:广义指从样例中学习,狭义指从训练数据中学得概念:概念学习、概念形成;
学习过程可以看作在所有假设组成的空间中进行搜索的过程,搜索目标是找到与训练集匹配的假设,有许多搜索策略对假设空间进行搜索,如自顶向下、从一般到特殊等,最终获得与训练集一致的假设;
概念:
版本空间:与训练集一致的假设集合
(2)归纳偏好
偏好(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,理解为在庞大假设空间中对假设进行选择的”价值观“;
一般性的原则:
奥卡姆剃刀原则:若有多个假设与观察一致,则选择最简单的那个;
NFL定理:由于对所有可能函数的相互补偿,最优化算法的性能是等价的(这个定理成立的一种假设是样本均匀分布,但是在具体的问题中不是这样的,因此要找到什么算法更好必须结合具体的问题);
2、模型评估与选择
(1)经验误差与过拟合
若在m个样本中由a个样本分类错误
错误率:E = a / m
精度:1 - a / m
误差(在训练集上的误差称为训练误差或经验误差,在新样本上的误差称为泛化误差)
过配:过拟合,有可能把训练样本自身的一些特点当作了所有潜在样本都会具有的一般性质,导致泛化能力下降;
欠配:欠拟合,对训练样本的一般性质尚未学好,解决方案有在决策树学习中扩展分支、在神经网络学习中增加训练轮数等;
(2)评估方法
泛化误差:使用一个测试集来测试学习器对新样本的判别能力,得到测试误差。
方法:
留出法:将数据集D发划分为两个互斥集合,其中一个集合作为训练集S,另一个集合作为测试集T,在S上训练出模型后用T来评估测试误差。
交叉验证法(cross validation):先将数据集D划分为k个大小相似的互斥子集,即D=D1∪D2∪...∪Dk,Di∩Dj=(i≠j)。每个子集Di都尽可能保持数据分布的一致性,即从D中通过分层采样得到。然后,每次用k-1个子集的并集作为训练集,余下的那个子集作为测试集;这样就可获得k组训练/测试集,从而可进行k次训练和测试,最终返回的是这k个测试结果的均值。特例:留一法(Leave-One-Out,简称LOO)。显然,留一法不受随机样本划分方式的影响,因为m个样本只有唯一的方式划分为m个子集。
自助法(bootstrapping):给定包含m个样本的数据集D,我们对它进行采样产生数据集D′:每次随机从D中挑选一个样本,将其拷贝放入D′,然后再将该样本放回初始数据集D中,使得该样本在下次采样时仍有可能被采到;这个过程重复执行m次后,我们就得到了包含m个样本的数据集D′,这就是自助采样的结果。
机器学习常涉及两类参数:
一类是算法的参数,亦称”超参数”,数目常在10以内;
另一类是模型的参数,数目可能很多,例如大型“深度学习”模型甚至有上百亿个参数;
相同:均是产生多个模型之后基于某种评估方法来进行选择;
不同:前者通常是由人工设定多个参数候选值后产生模型,后者则是通过学习来产生多个候选模型(例如神经网络在不同轮数停止训练)。
二、南瓜书准备篇
机器学习的相关技术
1.监督学习
(1)Regression
Regression:machine找到function,它的输出是一个scalar,比如PM2.5的预测 ,也就是说你要找一个function,这个function的输出是未来某一个时间PM2.5的一个数值。
(2)Classification
Classification问题分成两种,一种叫做二分类输出的是是或否(Yes or No);另一类叫做多分类(Multi-class),在Multi-class中是让机器做一个选择题,等于是给他数个选项,每个选项都是一个类别,让他从数个类别里选择正确的类别。
2.半监督学习
简单来说就是既有有标记数据,又有无标记数据,一般无标记数据的数量远大于有标记数据。
3.迁移学习
简单来说就是一种学习对另一种学习的影响,或习得的经验对完成其他活动的影响。
4.无监督学习
无监督学习是训练机器使用既未分类也未标记的数据的方法。这意味着无法提供训练数据,机器只能自行学习。机器必须能够对数据进行分类,而无需事先提供任何有关数据的信息。
5.强化学习
在reinforcement learning里面,我们没有告诉机器正确的答案是什么,机器所拥有的只有一个分数,就是他做的好还是不好。