分類和回歸：均為**過程，其中分類是對離散值的**，回歸是對連續值的**。
監督學習和無監督學習：就看輸入資料是否有標籤（label）。輸入資料有標籤，則為有監督學習，沒標籤則為無監督學習（聚類）。監督學習就是給輸入的無標籤資料新增標籤的過程。
資料集的劃分方法：
1.留出法，即把資料集分為兩部分 ，一般來說是8：2，8的那部分當訓練集，2的那部分當測試集。
2.交叉驗證法，即把資料集劃分為10部分，每次拿9部分作為訓練集，剩下一部分作為測試集，重複10次以保證每個部分都被當成過測試集。
3.自助法，即每次在資料集中抽取乙個元素，完成拷貝，並且放回資料集，這樣當次數足夠多時，可由基本極限知道，大約有0.368的資料始終不被採集到。因此，可以把採集到的部分作為訓練集，沒採集到的作為測試集。
效能度量方式：
（回歸）均方誤差：即把**的和真實的的值做差的平方和。
roc和auc
偏差和方差
線性模型
線性模型是最基本的模型，但是也可以有很多變化，例如可以兩邊取對數等。另外廣義的線性模型還包括對數機率函式（用於分類任務）
線性判別法：lda的思想相當簡單，就是同類的盡量靠近，不同的盡量遠離。
需要了解的方法：最小二乘法
多分類學習：將多分類拆解為二分類。
機器學習入門 一）
年後又開始新一輪的學習了。今天我來複習跟鞏固機器學習的基礎概念。我們將機器學習系統按他們的特點分類 是否在人類監督下訓練。例如 有監督學習，無監督學習，半監督學習，強化學習。是否簡單地將新的資料點和已知的資料點進行匹配，還是像科學家一樣，對訓練資料進行模式檢測然後建立乙個 模型。例如 基於例項的學習...
機器學習入門 一
上大學的時候人工智慧火了一段時間 雖然現在還是虛假的繁榮現象 但是不得不說人工只能肯定是未來的發展方向，所以我們就有必要了解其基本的理論原理，當然了我寫出來的東西肯定不會和數學特別相關，因為我概率論差啊，那段時間沉迷遊戲，然後60多分飄過，所以各位肯定是比我牛逼的。我參考的書籍是 機器學習及實踐 範...
機器學習（一） 機器學習入門常識
機器學習常常劃分為三個方面 分類問題 因為有了標籤值，根據演算法，將樣本歸於哪一類。邏輯回歸，決策樹，隨機森林，svm 回歸問題 是乙個連續值，根據樣本上的一些特徵，連續值結果。聚類問題 因為沒有標籤以及明顯的劃分標準，根據樣本的相似性或者關聯關係，把類似的歸於一類 常用的一些術語 對於結構化資料，...