机器学习概述

本文介绍: 一、机器学习概述所谓深度是指原始数据进行非线性特征转换的次数．如果把一个表示学习系统看作一个有向图结构深度也可以看作从输入节点到输出节点所经过的最长路径的长度．这样我们就需要一种学习方法可以从数据中学习一个“深度模型”，这就是深度学习DL）．深度学习是机器学习的一个子问题其主要目的是从数据中自动学习到有效的特征表示。一、机器学习概述通俗地讲机器学习ML就是让计算机从数据中进行自动学习得到某种知识或规律．作为一门学科机器学习通常指一类问题。

所谓
“
深度
”
是指原始数据进行非线性特征转换的次数．
如果把一个表示学习系统看作一个有向图结构
，
深度也可以看作从输入节点到输出节点所经过的最长路径的长度．这样我们就需要一种学习方法可以从数据中学习一个“
深度模型
”，
这就是
深度学习
（
Deep Learning
，
DL
）．
深度学习是机器学习的一个子问题
，
其主要目的是从数据中自动学习到有效的特征表示。

一、机器学习概述

通俗地讲
，
机器学习
（
Machine Learning
，
ML
）
就是
让计算机从数据中进

行自动学习
，
得到某种知识
（
或规律
）
．
作为一门学科
，
机器学习通常指一类问题

以及解决这类问题的方法
，
即如何从观测数据
（
样本
）
中寻找规律
，
并利用学习

到的规律
（
模型
）
对未知或无法观测的数据进行预测
。

一、基本概念

样本、特征（属性）、标签、数据集、训练集（训练样本）、测试集（测试样本）、模型、学习算法、特征向量

先举个例子：

我们从市场上随机选取一些芒果，列出每个芒果的特征（Feature），包括颜色、大小、形状、产地、品牌；以及我们需要预测的标签（Label）。标签可以是连续值（比如关于芒果的甜度、水分以及成熟度的综合打分），也可以是离散值（比如“好”“坏”两类标签）。

以将一个标记好特征以及标签的芒果看作一个样本。

数据集：一组样本构成的集合。一般分为两部分训练集和测试集，训练集用来训练模型，测试集用来检验模型的好坏。

特征向量（并不是所有特征都是数值型的）：

机器学习关键：让计算机通过训练集找出从特征向量和标签y之间的真实映射关系函数，通过这个函数可以用特征向量来预测其标签值或标签的条件概率。

比如，通过芒果的特征（颜色、大小）之类的，来预测其甜度。

准确率ACC：