机器学习基本概念

概念学习：指从有关某个布尔函数的输入输出训练样例中推断出该布尔函数。

训练集/训练样例：用来进行训练，也就是产生模型或算法的数据集。

测试集/测试样例：用来专门进行测试已经学习好的模型或者算法的数据集。

特征向量：属性的集合，通常用一个向量来表示，附属/一个实例。

标记：实例类别的标记（结果）。

分类（classification）：目标标记为类别型数据。

回归（regression）：目标标记为连续性数值。

机器学习类型：
1）有监督学习（supervised learning）：训练集有类别标记。
2）无监督学习（unsupervised learing）：无类别标记。
3）半监督学习（semi-supervised learning）：有类别标记的训练集+无类别标记的训练集。

机器学习步骤框架：
1） 把数据拆分为训练集和测试集
2） 用训练集和训练集的特征向量来训练算法
3） 用学习来的算法运用在测试集上来评估算法

机器学习中分类和预算算法的评估：
1） 准确率
2） 速度
3） 强壮化
4） 可规模性
5） 可解释性