第一章

1. 基本术语

• 分类：预测离散值
• 回归：预测连续值
• 聚类：将训练集中的内容分为一些簇，训练样本不拥有标记信息
• 有监督学习：如分类和回归
• 无监督学习：如聚类
• 泛化：使得模型可以适用于新样本的能力

2. 假设空间

• 归纳：特殊到一般（泛化过程）
• 演绎：一般到特殊（特化过程）
• 版本空间：与训练集一致的“假设空间”
• 如何求解版本空间：

1. 写出假设空间：先列出所有可能的样本点（即特征向量）（即每个属性都取到所有的属性值）

2. 对应着给出的已知数据集，将与正样本不一致的、与负样本一致的假设删除。

3. 归纳偏好

• 归纳偏好：在学习过程中对某种类型假设的偏好，如图，假设训练样本是图中的各个(x,y)，模型学习的目标就是找到一条穿过所有
  训练样本的曲线。因为训练集有限，得到的曲线会有很多种。当学习的偏好是“相似样本应有相似输出”时，学习出来的曲线应该是曲线A。
  
• 奥卡姆剃刀：若多个假设与观察一致，选择最简单的那个。
  
  其中，表示算法ξα基于训练数据X产生假设h的概率，
  f为我们希望学习的真实目标函数。Eote表示在训练集之外的所有样本上的误差。Ⅱ（·）为指示函数，（）中的波尔函数值为true即为1，否则为0。
  函数的理解：在样本空间中训练集之外的误差=样本x的概率0或1算法基于训练数据X产生假设h的概率，当假设不符合真实目标函数时取1.

对于任意两个算法，都有，即算法的期望性能相同。（前提：所有问题出现机会相同或所有问题同等重要）

标签：西瓜,函数,训练,假设,样本,笔记,第一章,学习,训练样本
来源： https://www.cnblogs.com/suancai/p/15380968.html