机器学习简介
2016-09-20 17:05
204 查看
目标：使学得的模型能很好的适用于“新样本”，而不仅仅在训练样本上工作得很好
分类：根据训练数据是否拥有标记信息，分为“监督学习”和“无监督学习”，分类和回归是前者的代表，聚类是后者的代表
学得模型适用于新样本的能力称为“泛化”能力，泛化能力越强，模型越好
特征选取和降维是处理高维数据的两大主流技术
未完待续。。。
分类：根据训练数据是否拥有标记信息，分为“监督学习”和“无监督学习”，分类和回归是前者的代表，聚类是后者的代表
学得模型适用于新样本的能力称为“泛化”能力，泛化能力越强，模型越好
特征选取和降维是处理高维数据的两大主流技术
未完待续。。。
内容来自用户分享和网络整理，不保证内容的准确性，如有侵权内容，可联系管理员处理 
相关文章推荐
- [机器学习Lesson 1] 机器学习简介
- 机器学习中分类评估方法简介 - 1
- 台湾大学林轩田老师机器学习基石：内容简介
- 机器学习简介
- 量子计算机编程原理简介 和 机器学习
- 机器学习之支持向量机简介
- Spark入门实战系列--8.Spark MLlib（上）--机器学习及SparkMLlib简介
- 【机器学习】ICA算法简介
- [Machine Learning step by step]1 统计学习：scikit-learn机器学习简介
- Google 机器学习笔记一 Pandas简介
- 机器学习—逻辑回归理论简介
- 机器学习简介 | GAIR大讲堂
- 1、机器学习简介
- 量子计算机编程原理简介 和 机器学习
- 【机器学习】Learning to Rank之Ranking SVM 简介
- 机器学习—逻辑回归理论简介
- 数据科学之机器学习1：简介
- 机器学习中的正则化简介
- 机器学习实战-1简介
- 机器学习(一)简介