机器学习介绍

机器学习基本术语：

数据集

数据记录的集合称为一个"数据集" (data set)

样本

数据集中每条记录是关于一个事件或对象的描述，称为"样本"

特征

反映事件或对象在某方面的表现或性质的事项，例如"色泽"

属性空间

属性张成的空间称为“属性空间” 或”样本空间

向量

一般地，令D = {x1 x2.. xm } 表示包含m 个示例的数据集，每个样本由d 个属性描述，则每个样本xi = (xi1; xi2; . . . ; xid) 是d 维样本空间X中的一个向量，d 称为样本Xi的“维数”

训练集：机器学习中用于训练模型的数据集合，包含标记信息

测试集：机器学习中用于测试模型的数据集合

监督学习：利用一组已知类别的样本调整分类器的参数，使其达到所要求性能的过程。

监督学习的数据集由“正确答案”（标记）组成。

监督学习分为两大类

分类：机器学习模型输出的结果被限定为有限的一组值，即离散型数值。

回归：机器学习模型的输出可以是某个范围内的任何数值，即连续型数值。

无监督学习：提供数据集合但是不提供标记信息的学习过程

模型评估与选择

残差：学习器的实际预测输出与样本的真实输出之间的差异

学习器在训练集上的误差称为“训练误差”或“经验误差”

学习器在新样本上的误差称为“泛化误差”

欠拟合：模型没有很好的捕捉到数据特征、特征集过小导致模型不能很好的拟合数据。欠拟合本质上是对数据特征学习的不够

过拟合：把训练数据学习的太彻底，以至于把噪声数据的特征也学习到了，特征集过大，这样就会导致在后期测试的时候不能够很好的识别数据，不能正确的分类，模型泛化能力太差。

过拟合的处理方式： 1. 增加训练数据：更多的样本能够让模型学习到更多更有效的特征，减小噪声的影响。 2. 降维：即丢弃一些不能帮助我们正确预测的特征。 3. 正则化(regularization)的技术，保留所有的特征，但是减少参数的大小（magnitude），它可以改善或者减少过拟合问题。 4. 集成学习方法：集成学习是把多个模型集成在一起，来降低单一模型的过拟合风险。

欠拟合的处理方式： 1. 添加新特征，当特征不足或者现有特征与样本标签的相关性不强时，模型容易出现欠拟合。 2. 增加模型复杂度：简单模型的学习能力较差，通过增加模型的复杂度可以使模型拥有更强的拟合能力。 3. 减小正则化系数：正则化是用来防止过拟合的，但当模型出现欠拟合现象时，则需要有针对性地减小正则化系数。

模型评估：

TP（True positive,真正例）——将正类预测为正类数。

FP（False postive,假正例）——将反类预测为正类数。

TN（True negative,真反例）——将反类预测为反类数。

FN（False negative,假反例）——将正类预测为反类数。

P-R 图直观地显示出学习器在样本总体上的查全率、查准率。在进行比较时，若一个学习器的P-R 曲线被另一个学习器的曲线完全"包住"，则可断言后者的性能优于前者 图中学习器A 的性能优于学习器C;如果两个学习器的P-R 曲线发生了交叉，图中的A 与B ，则难以一般性地断言两者孰优孰劣。