机器学习基本概念

1.基本概念

训练集、测试集、特征值、监督式学习、非监督学习、半监督学习、分类、回归

2.概念学习

概念学习是指从某个布尔函数的输入输出训练样例中推断出该布尔函数。

3.
样例 天气 温度 湿度 风力 水温 预报 享受运动
1 晴 暖 普通 强 暖 一样 是
2 晴 暖 大 强 暖 一样 是
3 雨 冷 大 强 暖 变化 否
4 晴 暖 大 强 冷 变化 是

 天气：晴，阴，雨 温度：暖，冷 湿度：普通，大 风力：强，弱 水温：暖，冷 预报：一样，变化 享受运动：是，否 概念定义在实例(instance)集合之上，这个集合表示为X。（X：所有可能的日子，每个日子的值由 天气，温度，湿度，风力，水温，预          报6个属性表示。 待学习的概念或目标函数成为目标概念（target concept), 记做c。 c(x) = 1, 当享受运动时， c(x) = 0 当不享受运动时，c(x)也可叫做y x: 每一个实例 X: 样例, 所有实例的集合 学习目标：f: X -> Y

4.训练集(training set/data)/训练样例(training examples)：用来进行训练，也就是产生模型或者算法的数据集
测试集(testing set/data)测试样例(testing examples)：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(features/feature vector)：属性的集合，通常用一个向量来表示，附属于一个实例
标记(label)：c(x)，实例类别的标记
正例(positive example)
反例(negative example)

5.分类(classfication):目标标记为类别性数据(category)
回归(regression):目标标记为连续性数值(continuous numeric value)

6.有监督学习(supervised learning):训练集有类别标记(class label)
无监督学习(unsupervised leadning):无类别标记(class label)
半监督学习(semi-supervised-learning):训练集有一部分有label，有一部分没有label