记录一些需要深入理解的概念及定义
基本概念
- 特征空间(feature space):所有特征向量存在的空间称为特征空间．特征空间的每一维对应于一个特征．
- 特征向量(feature vector):每个具体的输入是一个实例(instance)，实例中每个点对应一个坐标向量．我们把一个实例称为特征向量．
- 实例(instance)：也叫样本(sample)．关于一个事件或对象的描述．
- 特征(feature)：也叫属性(attribute).反应事件或对象在某个方面的表现或性质的事项．
- 假设空间(hypothesis space):监督学习的目的在于学习一个由输入到输出的映射,这个映射用模型来表示．模型属于有输入空间到输出空间的映射的集合，这个集合就是假设空间．学习的目的就是找到最好的映射(模型)．
模型评估和选择
-
常用的模型选择方法：regularization正则化．cross-validation交叉验证
-
分类问题，回归问题，标注问题：
分类问题："分门别类"．文本类型分类，邮件问题，图像中有无人脸出现
回归问题: 函数拟合．线性及非线性回归，预测股市
标注问题: 隐马尔科夫模型，条件随机场．信息抽取，自然语言处理．文档单词标注． -
区分均方误差和最小二乘法：利用均方误差来实现最小化模型叫做最小二乘法 ？？？？
机器学习算法的实现步骤
�� ������������1.收集数据：网络上的数据集UCI
2.准备数据：python对数据的读取，利用pandas读取数据；处理数据中缺失值
3.分析数据：利用可视化工具观察数据
4.训练算法：利用处理好的数据training model
5.测试算法：观察错误率，对算法进行改进
6.使用算法：将代码算法进行封装，可以通过简单命令行进行新数据的预测
�� �������������������������
�� ��������������
�� ��������������������
�� �����������������������������
�����������������
��������
�� �����������������������������
������������������������ ������������
�� �������������������������
�� ��������������
�� ��������������������
�� �����������������������������
�����������������������������
��������
�� �����������������������������