【机器学习1】

标签：严格   expec   mit   str   最优化问题   分类   特征选择   复杂   空间   

非显著式编程的做法

收益函数

1998 Tom MitShell 

第一本成熟的教科书：MACHINE LEARNING

典型的最优化问题

为数据打标签（独特行业）

• 监督学习
• 强化学习（与环境互动）

非监督学习

需要假设：同一类的训练数据在空间中距离更近->样本的空间信息->设计算法将其分成两类

非监督学习算法包括：

1. 聚类
2. EM算法（Expectation-Maximization algorithm）
3. 主成分分析

半监督学习

少量的标注数据 大量未标注数据

监督学习（界限模糊）

1. 分类（离散）
2. 回归（连续）

主要是解决分类问题

1.提取特征

2.特征选择

特征空间

只要画出了区分的曲线，就算完成了机器学习

维度

标准

没有免费午餐定理

1995 D.H.Wolpert

在设计机器学习算法的时候有一个假设：

在特征空间上距离接近的样本，他们属于同一个类别的概率会更高。

机器学习的本质：

通过有限的已知数据，能在复杂的高维特征空间中预测未知的样本

没有放之四海而皆准的算法

支持向量机（线性可分定义）

Vladimir Vapnik

用数学严格定义线性可分

用向量形式定义

【机器学习1】

标签：严格   expec   mit   str   最优化问题   分类   特征选择   复杂   空间   

原文地址：https://www.cnblogs.com/wfish/p/13150727.html