自己开发了一个股票智能分析软件，功能很强大，需要的点击下面的链接获取：
https://www.cnblogs.com/bclshuai/p/11380657.html
1.1 基本概念
以识别芒果的好坏的案例来说明概念。
特征：描述物体的属性值，例如芒果的颜色、大小、形状、产地、品牌等；
特征向量：由物体的特征值构成的向量。
标签：标识物体的准确属性，识别的目标值。例如芒果的甜度、水分、成熟度的综合评分。
样本：独立的一份特征数据和标记，例如一个标记好特征和标签的芒果。
训练集：用于训练算法的样本集。
测试样本：用于测试算法有效性准确性的样本集。
1.2 机器学习三要素
模型，学习准则，优化算法
1.2.1 模型
机器学习的目标是找到一个模型近似真实的映射函数，将输入转化为输出，输出和目标结果近似。
（1）线性模型，wT是权重向量，b为偏置。
（2）非线性模型，ϕ(x)是K个非线性基函数组成的向量，ϕk(x)是一个非线性函数。f(x,θ)是非线性函数的线性组合。
如果"ϕ(x)"为可学习的非线性基函数，"f(x,θ)"就等价于神经网络。
1.2.2 学习准则
好的模型应该在输入输出取值覆盖真实的情况，模型函数与真实的映射函数之间一致，计算出的误差在很小的范围内。可以通过期望风险这个参数来判断模型的好坏。p(x,y)表示真实的数据分布，£(f(x),y)为损失函数。
损失函数
用来量化模型预测和真实标签之间的差异。
（1）01损失函数，将预测值和实际值比较，正确为1，不正确为0直观，但是不连续。
（2）平方损失函数，求出预测值和实际值差的平方和取均值。
（3）经验风险最小化，找到一组参数是的模型在训练集上的平均损失（经验风险）最小。经验风险最小化准则容易导致模型在训练集上过拟合。所以需要参数加入一个正则化项来限制模型能力，使模型不要过度的最小化经验风险，这个叫做结构风险最小化。正则化项是参数的范德蒙范数乘以系数λ。
1.2.3 过拟合和欠拟合
过拟合：算法对训练集学习很好，但是由于训练集是真实数据的一个子集，存在噪声等原因，在训练集上面错误率低，但是在未知数据上错误率很高。
欠拟合：模型不能很好的拟合训练数据，在训练集上错误率比较高。
1.2.4 优化算法
确定了训练集，假设空间，和学习准则。找到一个最优的模型就是最优化求解过程。
（1） 参数模型f(x,θ)的参数θ可以通过算法优化进行学习。
（2） 超参数，用来定义模型结构或者优化策略的参数，例如梯度下降法中的步长，神经网络的层数，正则化项系数λ等。超参数一般根据经验来设定，或者搜索的方法对一组超参数进行试错调整。