机器学习备忘
基础方法为:
目标函数 (target function) f(x) -> y
训练集(数据) (trainning set) 输入Xi 输出 Y
最终假设 (final hypothesis) g(x) -> y
学习算法 (learning algorithm) 从训练集中找出最终假设函数g
假设集 (hypothesis set) 各种假设公式H(x),从里面找到g(x), H = {h}, g∈H
首先从假设集中找出可能的假设,然后通过学习算法找出g
举个例子,假设数据是线性依赖的,那么学习算法就是各种线性回归算法, 而你做出的假设就是数据是线性的
学习模型 (learning model) 一个假设集加上学习算法就构成一个学习模型
一个假设集例子- 感知器 perceptron
银行的贷款验证
for input = X {x1, x2, ...Xn} 'attributes of customer'
approve credit if w1x1+w2x2+w3x3+...+WnXn > threshold
机器学习的基本准则,从一堆数据中找出隐藏的规则
监督学习 supervised learning 有明确的数据指出结果
非监督学习 unsupervised learning 区别于上面,不给出输出结果
加强型学习 reinforcement learning 给出输入数据以及对输出结果的评价