吃瓜教程——datawhale10月组队学习

Posted 2023-02-14 scdctlt

datawhale的十月组队学习——吃瓜教程

task01:概览西瓜书+南瓜书第1、2章

第一章 绪论
1、 机器学习的一些符号定义(结合林轩田的机器学习)
X:样本空间
Y:输出空间
A:算法合集
D:数据集
f:理想目标函数
g:近似目标函数

2、根据训练数据是否有标记信息，可以将学习任务分两大类

对于无label的数据集，利用数据间关系分类过程称为“聚类”(clustering)
对于有label的数据集，根据要预测的值是离散的还是连续的，可以把学习任务分为：

• 分类问题（classification）
• 回归问题（regression）
  模型在训练集上做的训练，对于未参与训练的新数据，学得模型适用于新样本的能力称为“泛化”(generalization)能力
  3、可以把学习过程看作一个在所有假设(hypothesis)组成的空间中进行
  搜索的过程，搜索目标是找到与训练集"匹配" 的假设

可以有许多策略对这个假设空间进行搜索，例如自顶向下、从一般到特殊，或是自底向上、从特殊到一般，搜索过程中可以不断删除与正例不一致的假设、和(或)与反例→致的假设.最终将会获得与训练集一致(即对所有训练样本能够进行正确判断)的假设，这就是我们学得的结果.

第二章 模型评估与选择
学习器在训练集上的误差称为"训练误差" (training error)或"经验误差" (empirical error) ，在新样本上的误差称为"泛化误差" (generalizationerror).

• 对于分类问题：分类错误的样本数占样本总数的比例称为"错误率" (errorrate) ，即如果在m 个样本中有α 个样本分类错误，则错误率E= α/m; 相应的，1 /m 称为"精度" (accuracy) ，即"精度=1-错误率"

• 对于回归问题： 回归任务最常用的性能度量是"均方误差" (mean squared error)

• 

学习器将训练样本学的太好，会导致泛化能力下降，会造成“过拟合”
学习器将训练演变一般性质都尚未学好，称为“欠拟合”

一般将数据集拆分为两个互斥的数据集，训练集和测试集
常见两种方法：

1. 留出法：“留出法” (hold-out)直接将数据集D 划分为两个互斥的集合?其中一个集合作为训练集S，另一个作为测试集T，在S上训练出模型， 用T 来评估其测试误差，作为对泛化误差的估计.
2. 交叉验证法：“交叉验证法” (cross validation)先将数据集D 划分为k 个大小相似的互斥子集，每个子集Di 都尽可能保持数据分布的一致性，即从D 中通过分层采样得到. 然后，每次用k-1 个子集的并集作为训练集?余F 的那个子集作为测试集;这样就可获得k组训练和测试集，从而可进行k 次训练和测试? 最终返回的是这k 个测试结果的均值
   
   对于分类结果的混淆矩阵：