《白话机器学习的数学》感悟

今日大致读完了这本书，对机器学习的概念有了基本认知，文中用到的数学知识浅显。

读完我对机器学习的基本概念有了理解，不少方法在接下来ai学习中应该也会不断涉及

回顾下我学的概念与方法

梯度下降算法：利用微分方法使得可调参数对应函数最值移动，多元参数使用偏微分

随机梯度下降算法：利用多个随机初始参数组，规避前者求到局部最优解的问题。

这两方法在cv中也碰到了

过拟合：参数过多，导致对训练数据拟合好，对检测数据拟合差的问题。

欠拟合：模型参数过少，拟合效果不佳。

解决过拟合三法：1.增加数据集 2.简化模型参数 3.正则化

正则化：引入偏正函数，减小理想的参数的值，从而减小参数对整体函数的影响。

模型评估

参数值名称：

        Accuracy 精度 分类对的比总的

        Precision 精确率 分类为T中真的是T的

        Recall 召回率 分类为F中真的是F的

        F值 有β参数 其为1时即为F1 =P与R的调和平均数

K折交叉验证：好方法，但是要选好K值

重要思维

简化式子，利用矩阵，以及定义函数时巧妙的1/2简化求导结果

梯度下降求极值

现在python基础知识不扎实，代码篇稍后过一遍

值得阅读的书，算是入门