机器学习西瓜书01：绪论~第二章。

1.有监督学习是有有明确的结果，无监督学习是结果不是很明确。

2.进行预测时需要有泛化能力，即预测没有见到过的数据的能力。

3.归纳偏好：奥卡姆剃刀。

4.开启第二章：

5.取样本的方法：留出法，K折交叉验证，重复的K折交叉验证。

自助法：P27

但是，自助法产生的数据集改变了初始数据集的分布，这会引起估计偏差。

6.验证集用于调参。比每次重新训练的计算代价要小。

7.均方误差：

8.分类结果混淆矩阵。

查准率和查全率是一对矛盾的概念，（深入理解），相当于在评判时给的门槛的高低：

9.P-R图，横纵坐标分别是P和R，

若一个学习器的 P-R 曲线被另一个学习器的曲线完全"包住" ， 则可断言 后者的性能优于前者，

曲线发生了交叉，则难以-般性地断言 两者孰优孰劣?只能在具体的查准率或查全率条件下进行比较然而，这时一个比较合理的判据 是比较 P-R 曲线节面积的大小，它在一定程度上表征了学习器在查准率和查全 率上取得相对"双高"的比例

10.F1度量：使用调和平均数。

是想求1，占1，2，3的比列有多少。

11.Fbeta法：

注意：上述的三种方法都是对于二分类问题。

12.多分类转化为二分类有两种方法。

已识别手写数字0-9为例。

①，转化为多个2分类。（1，2）（1，3）。。。45个

②，（1，其他），（2，其他）。。。9个还是10个？

13.分类完之后再计算，先平均再计算F，先计算F再平均。

14.ROC 与 AUC：

若一个学习器的 ROC 曲线被另一 个学习器的曲线完全"包住"， 则可断言后者的性能优于前者;若两个学习器 的 ROC 曲线发生交叉，则难以-般性地断言两者孰优孰劣. 此时如果一定要进 行比较， 则较为合理的判据是比较 ROC 曲线下的面积，即 AUC (Area Under ROC Curve)

15.rank loss：

16.AUC = 1- fl.rαnk

17，二分类代价矩阵，预测错误时，会罚分。

18.代价敏感错误率：

19.代价曲线 。

先放弃，o(╥﹏╥)o。

20.

21.

22.

23.

24.

25.