ML机器学习理解

1.什么是机器学习

2.

3.为什么要机器学习

（2）

作用：寻找数据之间的隐秘关联，对真值与目标属性进行聚类或者回归

分类：有监督、无监督、半监督；离散型、连续型

有监督：有真值，数据分组：训练与测试，训练所得到的模型在实际测试值的时候会有差错，那么就应该对其进行调整，但本质原因是我们搜集到的数据无法避免的包含其他因素；另外，训练的不理想结果也是有两个：欠拟合与过拟合

欠拟合：显著偏离真实值的模型，——模型需要复杂化

过拟合：与训练数据拟合较好的模型，但不能很好的推广到不可见数据——算法简单化（正则化算法）

（3）

优点：解决非ML算法无法结局的问题，提供非ML算法不具备的优势

重要特征：将模型与数据分离，以适应不同的业务场景或相同的业务案例，但具有不同的上下文

目前：需要一种整体的方法来改进模型，而不是逐利修补模型。因为模型对我们而言是非直观的

，我们难以对模型做出解释或者推理（最先进模型 PesNet）

1.怎样标记一个新点

把具体特征抽象化，如在观测新生儿是否会得癫痫病的时候，将新生儿的特征抽象化，变成数值，以已经观测到的结果作为真值，目标是寻求特征值与真值之间的关系，真值设为1（不会），-1（会），那么根据会与不会的结果，找到一条直线，划分x值，这条支线也就是一种“线性分类器”（Lineal classifer）。在进行标记的时候，主要是逐层将x标签化，比如 通过某种方式计算 x相对于 y的投影是 0，那么某直线上所有的x值可以作为符合这一条件的数据，并且根据数学定理，这条直线进行平移得出的结果也是一样，那么就能得到一个数据域，这在某种意义上就是说，符合一定条件的x值，均能得到预期的结果，这也就能将 x 具象化 并且标签化（浅薄理解）

2.怎样变得更好？

首先，当得到一个关于目标属性与真值的函数之后，要进行测试，那么测试之后出现的误差，要对其进行评估。（好像牵涉到0-1问题）超参数，就是对该函数的一种调整。学习算法也就是更为具体的数学应用。