過擬合就是，通過訓練集進行訓練的時候，模型學習了太多的背景雜訊，讓模型的複雜度高於了真實模型（比如看到齒距型的葉子，就覺得不是葉子）；
欠擬合是指，模型在訓練集上進行學習的時候，效果就不是很好，沒有充分學習到其中的資訊量，複雜度低於真實模型，得到的模型泛化能力差（比如看到綠色，就覺得是葉子）
模型評估指標有查全率、查準率
正則化上模型結構風險最小化策略的實現，目的是降低模型的複雜度，屬於模型擬合情況最優的一種補充。（比如過多的特徵選擇可能會讓模型的損失函式很小，但是會耗費巨大的計算成本，也會容易導致過擬合），是防止過擬合的一種情況
交叉驗證即在訓練模型之前，隨機將總的資料集分為k個互斥的子集，使用其中k-1個子集作為訓練集，剩餘1個為驗證集。遍歷所有子集組合後，比較所有模型擬合結果，選擇驗證集上擬合效果最佳的模型。目的是盡可能地利用資料的資訊，構建最優模型
分析問題-獲取資料-探索、清洗資料-特徵工程-建模-調參-模型上線/定期更新
每一列是乙個特徵，每一行是乙個樣本的資料是結構化資料（如果乙個樣本有多行資料，則是非結構化資料）
對非結構化資料，需要進行特徵工程轉化為結構化資料
機器學習總結 第一課
首先有這麼一句話，資料和特徵決定了機器學習的上限，而演算法和模型只是逼近這個上限而已 嗯嗯，資料處理和特徵工程很重要，大概佔據70 的工作量，而模型選擇 模型調參 模型融合佔據30 的工作量。接下來看看資料分析的流程 資料的分布，比如分類問題中，正負樣本均衡很重要，即正樣本數 負樣本數接近1 1比較...
機器學習的第一課
期中考完又是乙個新的開始，這學期除了acm還想花一些時間在其他方面，本來想做一些nlp的專案的，但看了一點發現根本看不下去，好多需要有機器學習的基礎。再加上我想往ai方向讀研。所以到b站上找了吳恩達老師的公開課，打算每週花上幾個小時自學，順便補補數理基礎。說來也慚愧，線代概統已經不記得多少了，ai又...
python學習第一課
1.單行注釋 2.或 多行注釋運算子的型別運算子的優先順序運算子tips 參考變數型別 算術運算子 print 1 1 2，加 print 2 1 1，減 print 3 4 12，乘 print 3 4 0.75，除 print 3 4 0，整除 地板除 print 3 4 3，取餘 print ...