机器学习 Maching Learning

此篇是概括总结，之后会更新每个模型的笔记。梳理一下这段时间学习的内容。

---

1 定义 What is Machine Learning

• Arthur Samuel（亚瑟塞缪尔）：
  the field of study that gives computers the ability to learn without being explicitly programmed.
  当计算机在不被明确地编程情况下，赋予它学习能力的研究领域。
• Tom Mitchell （汤姆米切尔）：
  A computer program is said to learn from experience E with respect to some class of tasks T and performance measure P, if its performance at tasks in T, as measured by P, improves with experience E.
  一个程序，用于通过经验E去学习完成任务T，且有评价该任务的度量标准P 。如果它完成任务T的表现P随着经验E而提高，则这个程序就是一种机器学习方法。

2 监督学习与非监督学习

常见的机器学习问题有监督学习（Supervised Learning）和非监督学习（Unsupervised Learning）。

(1)监督学习（supervised learning）

  给定的样本集包含数据的标签，即已知需要预测的正确结果，训练时利用正确的标签去”监督“预测出的标签。
- 分类（classification）：预测的输出为离散型。
- 回归（regression）：预测的输出为连续型。

(2)非监督学习（unsupervised learning）

  不用样本集数据的标签，通过数据的内在特征完成任务。
- 聚类（clustering）：根据样本的特征，把样本集中的样本汇聚成n个簇，同一个簇内的样本相似，不同簇内的样本不相似。
- 降维（demension reduction）：将高维数据降低维度。