监督学习：计算机从人输入的训练数据中学习，得到一个最优函数模型，将学习的结果应用到当前的数据中，对输出进行简单的判断，实现分类或预测未来的事件。
无监督学习：训练机器使用未分类和未标记的数据，机器需要自己学习。让计算机与大量未分类的、变化的数据进行接触，让机器从其中进行学习。无需事先提供任何有关的信息，机器可对数据进行分类。
分类：分类问题输出的是物体所属的类别，输出值是离散的、定性的，目的是为了寻找决策边界，即分类算法得到一个决策面，用于对数据集中的数据进行分类。
回归：回归问题输出的是物体的值，输出值是连续的、定量的，目的是为了找到最优拟合，通过回归算法得到一条最优拟合线，这个线条可以最好的接近数据集中的各个点。
聚类：算法接受一个未被标记的数据集合，然后将样本聚类分成不同的组。
降维：降低特征的维数，数据压缩，可以提高运算速度和减少存储空间；数据可视化，可以得到更直观的视图。
损失函数：这些函数本质上就是计算预测值和真实值的差距的一类型函数，每一个样本经过模型后会得到一个预测值，然后得到的预测值和真实值的差值就成为损失。
训练集：用于训练模型以及确定参数；
测试集：用于检验模型的泛化能力；
验证集：用于确定网络结构以及调整模型的超参数。
过拟合：学习时选择的模型所包含的参数过多，以至于机器出现对这一模型的已知数据预测的很好，但对未知数据预测得很差的现象。
欠拟合：模型描述能力太弱，以至于机器无法很好地学习到数据中的规律。
经验风险：经验风险是一种局部概念，仅仅表示决策函数对训练数据集里的样本的预测能力，是模型关于训练样本集的平均损失。
期望风险：期望风险是全局概念，它是对所有样本，即对已知的训练样本加未知样本的预测能力。
130
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
