机器学习

基本概念

定义：机器学习是通过大量数据来构建“模型”,在面对新情况时，模型将会给出相应的判断(即学习算法)。

举例一个日常例子：人们买西瓜之前都想自己随手挑的西瓜是好瓜。除了靠运气之外，我们可以搜集大量西瓜的数据，比如色泽 ;根蒂 ;敲声等指标。大家总结经验，发现：色泽是青绿;根蒂是蜷缩;敲声是浊响，一般有这三种特征的西瓜一般都是好瓜。

这些西瓜就是“训练数据集”，这些经验就是学习产生模型。当下次看到一个没剖开的瓜时，通过经验判断它是哪种瓜 （用模型判断）。

基本术语

属性：反映事件或对象在某方面的表现或性质的事项。例如每条记录中的“色泽”、“根蒂”、“敲声”就是西瓜的属性。（与java中类的属性类似）

属性空间：属性张成的空间。例如我们把"色泽" "根蒂" "敲声"作为三个坐标轴，则它们张成一个用于描述西瓜的三维空间就是属性空间

特征向量：每个西瓜都可在这个三维空间中找到自己的坐标位置。 这个点对应的一个坐标就是一个特征向量。

三者的关系总结：将每个属性作为一个坐标轴，多个属性就多个坐标轴，从而形成一个描述物体的属性空间。此空间中的每个样本对应一个点，每个点都有一个坐标向量，把这个坐标向量称为特征向量。

如果希望学得一个能帮助我们判断没剖开的是不是"好瓜"的具体模型，，我们还需获得训练样本的"结果"信息，例如色泽是青绿;根蒂是蜷缩;敲声是浊响即好瓜 。

标记：关于“结果”的信息，比如上面的“好瓜”

样例：拥有了标记的示例，则称为样例。一般地，用  表示第 i 个样例，其中  是特征向量， 是这个样本的标记。

机器学习的目标是希望通过对训练集 { } 进行学习，建立一个从输入空间 X 到输出空间 Y 的映射 

 

假设空间与版本空间

假设空间：所有假设构成的集合。如(色泽=浅自;根蒂=硬挺;敲声=清脆)

版本空间：只保留了假设空间中与训练数据集中正例一致的一部分假设，由这些正确的假设构成的集合成为版本空间 。

版本空间构建过程：首先对假设空间进行搜索。   有许多策略对假设空间搜索，如自顶向下和自底向上。然后在搜索过程中只保留与训练集正例一致的假设。 比如搜索到（色泽=青绿，根蒂=非蜷缩，敲声=浊响）这个假设时，它本身与训练集第 1 条正例色泽是青绿一致，但是与训练集中第 2 条正例根蒂是非蜷缩不一致，所以需要剔除。  色泽 属性除了取值青绿或浅白，还可能取别的值都可以。取值处我们可以用通配符*表示。 如 色泽=*

 

标签：待续,...,西瓜,敲声,入门,色泽,根蒂,空间,属性
来源： https://www.cnblogs.com/yizhizhangBlog/p/16379508.html