加州理工机器学习第1课

时间:2022-12-31 18:49:27

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