Chapter-1 The Machine Learning Landscape —— 《Hands On Machine Learning with Scikit-Learn and TensorF...

什么是机器学习?

  • 机器学习领域主要研究如何让计算机通过学习掌握特定的技能,而不是具体编程 —— Arthur Samuel
  • 如果一个计算机程序通过经验\(E\),能够在任务\(T\)上的表现\(P\)更好,那么可以认为计算机学习到了东西 —— Tom Mitchell

为什么需要机器学习?

  • 解决传统具体编程难以解决的问题
  • 发现隐藏的关联,更好地理解问题

机器学习的不同类型

  • 训练是否需要人类监督
    • 监督学习
      • 分类
      • 回归
    • 非监督学习
      • 聚类
      • 降维
      • 可视化
      • 关联规则学习
    • 强化学习
  • 是否能够增量训练(都是离线状态下训练)
    • 在线学习:增加一点数据,就训练一下
    • 批量学习:一次性放入所有数据,加入新数据后重新训练
  • 简单比较或者挖掘模式
    • 基于实例学习: 比较样本,例如KNN
    • 基于模型学习: 建立函数模型,例如神经网络

机器学习的主要挑战

  • 训练数据数量不足
  • 训练数据不具有代表性
  • 训练数据质量差
    • 异常数据
    • 特征缺失
  • 特征不相关
    • 特征工程
      • 特征选择
      • 特征抽取
      • 通过收集新数据,创建新特征
  • 过拟合
    过拟合指的是模型在训练数据上表现很好,但是在测试数据上表现很差,泛化能力差。主要由于训练数据中存在噪声,相对复杂的模型误把噪声当做特征导致过拟合。
    • 简化模型
    • 收集更多数据
    • 减少训练数据噪音(修正噪音、移除异常数据)
    • 正则化
  • 欠拟合
    模型过于简单,无法学习到数据之下的隐藏模式。
    • 选择参数更多,更复杂的模型
    • 通过特征工程,给学习算法更好的特征
    • 减小对模型的约束(减小正则项)

转载于:https://www.cnblogs.com/yuyin/articles/9811780.html

你可能感兴趣的:(人工智能)