机器学习基石笔记1——学习问题
2014-02-10 10:47
267 查看
1、机器学习的本质
通过在数据中得到的经验来提高性能。
(1)冥冥中存在着一个隐藏的模式,我们的任务就是“发现”这个模式;
(2)这个模式是无法定义的(否则就不需要“学习”了);
(3)然而我们能够拿到关于这个模式是数据——这些数据就是机器学习的学习对象。
我们通过这几条来判断一个问题是否需要用机器学习的方法解决。
2、学习问题的形式化
基本的符号:
输入:\(x \in X\)
输出:\(y \in Y\)
需要学习的隐藏模式\(\Leftrightarrow \)目标函数:\(f:X\rightarrow Y\)
数据\(\Leftrightarrow \)训练样本:\(D=\{(x_{1},y_{1}),(x_{2},y_{2}),...,(x_{n},y_{n})\}\)
假设:\(g:X\rightarrow Y\)(通过学习得到的公式)
机器学习大概就是如下图所示的过程:
因此我们最后得到的是对隐藏模式 \(f\) 的一个假设 \(g\) (因为我们根本不知道 \(f\) 长啥样,怎么知道得到的 \(g\) 一定是 \(f\) 呢,因此也只能说是假设)
机器学习的一般过程如下:
这里,假设集 \(H\) 中有好的假设,也有不好的假设,由算法 \(A\) 选择一个最好的假设 \(g\) 作为对目标函数 \(f\) 的近似。
学习模型 \(= A + H\)
通过在数据中得到的经验来提高性能。
(1)冥冥中存在着一个隐藏的模式,我们的任务就是“发现”这个模式;
(2)这个模式是无法定义的(否则就不需要“学习”了);
(3)然而我们能够拿到关于这个模式是数据——这些数据就是机器学习的学习对象。
我们通过这几条来判断一个问题是否需要用机器学习的方法解决。
2、学习问题的形式化
基本的符号:
输入:\(x \in X\)
输出:\(y \in Y\)
需要学习的隐藏模式\(\Leftrightarrow \)目标函数:\(f:X\rightarrow Y\)
数据\(\Leftrightarrow \)训练样本:\(D=\{(x_{1},y_{1}),(x_{2},y_{2}),...,(x_{n},y_{n})\}\)
假设:\(g:X\rightarrow Y\)(通过学习得到的公式)
机器学习大概就是如下图所示的过程:
因此我们最后得到的是对隐藏模式 \(f\) 的一个假设 \(g\) (因为我们根本不知道 \(f\) 长啥样,怎么知道得到的 \(g\) 一定是 \(f\) 呢,因此也只能说是假设)
机器学习的一般过程如下:
这里,假设集 \(H\) 中有好的假设,也有不好的假设,由算法 \(A\) 选择一个最好的假设 \(g\) 作为对目标函数 \(f\) 的近似。
学习模型 \(= A + H\)
相关文章推荐
- 台大-林轩田老师-机器学习基石学习笔记4
- 台大-林轩田老师-机器学习基石学习笔记11
- 【机器学习-斯坦福】学习笔记7 - 最优间隔分类器问题
- 机器学习基石笔记8——为什么机器可以学习(4)
- 斯坦福机器学习公开课学习笔记(3)—拟合问题以及局部权重回归、逻辑回归
- 【机器学习-斯坦福】学习笔记7 - 最优间隔分类器问题
- 机器学习基石笔记6——为什么机器可以学习(2)
- 机器学习基石学习笔记2 机器学习为什么可行
- 台大-林轩田老师-机器学习基石学习笔记7
- 机器学习基石笔记7——为什么机器可以学习(3)
- 机器学习基石笔记(3-6)——机器学习的类型及机器学习有效性证明
- 台大-林轩田老师-机器学习基石学习笔记10
- 机器学习基石笔记10——机器可以怎样学习(2)
- 加州理工学院公开课:机器学习与数据挖掘课程笔记(一)学习问题
- 台大-林轩田老师-机器学习基石学习笔记5
- 机器学习基石笔记9——机器可以怎样学习(1)
- [MOOC学习笔记]机器学习基石 Lecture01 The Learning Problem
- 机器学习-斯坦福:学习笔记7-最优间隔分类器问题
- 【机器学习-斯坦福】学习笔记7 - 最优间隔分类器问题
- 机器学习问题分类--机器学习基石笔记