![](https://i-blog.csdnimg.cn/blog_migrate/76cc59f5c1210886d421a45c0f39e1c7.png)
西瓜书第1章一些重点概念mark:
记录:(色泽=青绿;根蒂=蜷缩;敲声=浊响),(色泽=乌黑;根蒂= 稍蜷;敲声=沉闷),每对括号内是一条记录
每条记录是关于一个事件或对象的描述,为一个“示例” (instance)或“样本” (sample),
可把一个示例称为一个“特征向量”
特征:反映事件或对象在某方面的表现或性质的事项
输入空间:属性张成的空间,或为样本空间,属性空间
假设:从数据中学得模型的过程称为“学习” (learning)或“训练”(training), 这个过程通过执行某个学习算法来完成.学到模型对应了关于数据的某种潜在的规律,即“假设” (hypothesis);学习过程就是为了找出或逼近真相.也可以称为“学习器” (learner),可看作学习算法在给定数据和参数空间上的实例化.
标记” (label):是示例的结果,拥有了标记信息的示例,则称为“样例” (example)
输出空间:标记的空间
分类:预测的任务是离散值
回归:预测的任务是连续值
泛化能力:学得模型适用于新样本的能力
独立同分布” (independent and identicallydistributed,简称i.i.d.):
通常假设样本空间中全体样本服从一个未知“分布“ D, 获得的每个样本都是独立地从这个分布上采样获得的
训练样本越多,我们得到的关于D的信息
归纳偏好:对应了学习算法本身所做出的关于“什么样的模型更好”的假设.在具体的现实问题中,这个假设是否成立,
算法的归纳偏好是否与问题本身匹配, 大多数时候直接决定了算法能否取得好的性能.
奥卡姆剃刀” (Occam's razor)原则:若有多个假设与观察一致,则选最简单的那个
NFL定理:推导有点复杂,还没完全搞懂,后面需要反复再琢磨
西瓜书第2章 模型评估与选择 关键概念mark
误差:模型预测结果与真实结果之间的差异
泛化误差:在未知样本上得出的误差
查准率:TP/TP+FP
查全率:TP/TP+FN
ROC:真正例率关于假正例率的变化曲线
AUC:ROC曲线下的面积
初步看了一下1,2章,还有很多关键点需要再消化补充,未完待续....