Task01
1.绪论基本概念术语
机器学习
通过计算的手段，利用经验来改善系统自身的性能
术 语
数据集100个瓜
样本 拿出来1个瓜
特征向量
- 样本空间，属性空间，输入空间
- 特征 这瓜保熟 看颜色 大小 敲击的振幅等等
- 维度 由2.的特征个数决定，一般几个对应几维
得到模型的过程：学习和训练
训练过程：训练数据，训练样本，训练集，假设，学习器
监督学习（我们知道怎么分
分类与回归模型
预测值——离散值 分类
——连续值 回归
无监督学习（不知道，让机器干
聚类
预测：测试，测试样本，泛化能力
假设空间
归纳 从特殊到一般 从训练数据中得到概念/从样本中学习
演绎 从一般到特殊
归纳偏好*
问同一数据集训练出了不同的模型的选择
特征选择
有原则 最常用的奥卡姆剃刀 选最简单的那个≈选择最接近问题本质的东西
学会克服数学恐惧**
面对数学符号，复杂公式，学会理解，熟练了会发现只是表示和过去所学的有差距，学会习惯
2.模型评估和选择——培养思想的过程
经验误差和过拟合
错误率E（error 这里不是期望值
精确度acc （1-E
条件判断 符合得1，否得0.再求和
混淆矩阵，查准率，查全率**概念比较绕
评估方法：训练集测试集验证集
测试集分割留出法
k折交叉验证
分割自助法
验证集
均方误差
PR关系，P-R曲线，反向关系，F1，Fβ
ROC曲线AUC示意图
代价敏感错误率代价曲线**
比较检验**
假设检验 二项分布
交叉验证t检验
后面各种英文检验
偏差和方差