我是个刚入门机器学习的菜鸟,导师最开始推荐的书就是周志华著的机器学习,我们都叫西瓜书,虽然很多人都说这本书很好,但是对我来说很多内容介绍的不适合自己理解,然后师兄推荐了一本统计学习方法,我觉得这本书真的把每个模型和算法都介绍来的利于理解,也可能是自己比较适合,亲身感觉不像机器学习写的那么宽泛不好理解,也或许每个人的理解是不一样的,我就记录下自己对于一些模型的理解。
首先了解下一些概念
输入输出空间,特征空间:所有特征向量存在的空间,回归问题:输入与输出变量均为连续变量的预测问题,分类问题:输出变量为有限个离散变量的预测问题,标注问题:输入与输出变量均为变量序列的预测问题。正则化和泛化能力在我上一章博客有介绍,然后就是交叉验证以及分类情况。里面对于感知机模型、朴素贝叶斯模型、支持向量机等都给出了具体算法步骤和实例。个人觉得非常适合初学者,只是需要一些概率论、数学基础,有的证明也比较清楚,对于我来说是相对来说很好理解的一本书。通过简单的介绍引入模型构建,然后给出算法计算,最后给出实例理解。机器学习中的内容比较抽象和宽泛,我觉得我理解起来就是感觉信息很多,有很多的东西我不知道原理也找不到,不是很便于对于算法的掌握和学习。统计学习中通过每一个实例,让你不仅仅在公式中理解,能够从实例中更好地学习算法。