机器学习要注意的事情（四）

现如今，科技在不断进步，给我们的生活带来了极大的便利。如果要问现在什么科技最能够代表现阶段，大家肯定认为是互联网。不过现在互联网可以说是过去时了，因为人工智能能够给我们带来很多的方便，这也是现在很多科学家热衷于研究人工智能的原因。说到人工智能就不得不说一说机器学习了，关于机器学习要注意很多的内容，下面我们就给大家介绍一下关于机器学习的内容。

我们需要注意的内容就是高维度中直觉不再好用，说完过拟合的问题，接下来要谈的是机器学习中的最大的问题，那就是维度的原因。具体就是指许多在低维度上工作正常的算法在输入是高维度的时候变得难用。但在机器学习中，这里包含的更多。随着示例的维度数，也就是特征数量的增长，泛化变得更加困难，因为固定大小的训练集覆盖了输入空间的一小部分。但是我们还是需要意识到的就是我们的直觉是来自于三维世界，通常并不适用于高维的情况。在高维的情况下，一个多变量高斯分布的质量并不在平均值附近，而是在一个越来越远的壳周围。如果一个常数的例子在高维超级立方体里均匀地分布，在多维度的情况下，大多数例子更接近于超立方体的一个面而不是它们最近的邻居。如果我们用一个超立方体来近似一个超球体，在高维度中几乎所有的超立方体的体积都在超球面之外。这对机器学习来说是个坏消息，其中一种类型的形状通常被另一种类型的形状所近似。这也是限制机器学习发展的一个原因。

在上面的内容中我们不难发现机器学习在高维度中不是很好用，这是因为在二维或三维空间中构建一个分类器很容易。通过视觉检查我们可以找到一个不同类别的例子之间的合理的界限。但在高维度中，很难理解发生了什么。这就使得设计一个好的分类器变得困难。有些人们可能会认为收集更多的特性并没有坏处，他们认为即使是最坏的情况，他们没有提供关于这个类的新信息而已。其实这些优点都被缺陷抵消了而已，并不是没有体现出来。

在这篇文章中我们给大家介绍了有关机器学习的内容，我们在学习机器学习的时候需要注意好在高维度中直觉不再好用，还需要从其他的方面进行考虑，这样我们才能更好地掌握机器学习的要点和重点，不让自己犯低层次的错误。