一般而言，機器學習方法包含以下幾個元件：
假設集h ：所有**用的函式h的集合，根據其輸出值，可以將問題分為回歸和分類
資料d：已知的資料集合，通常包含訓練資料和測試資料
演算法a：在h中選取乙個在d上表現最好的假設，在實際中，就是通過最優化理論來選擇模型引數。
vc bound ：在訓練資料和測試資料從同乙個概率分布抽取，且資料量夠大時時，對於常見的 error measure（0/1 error, square error 等），h在訓練資料上的表現與在測試資料上的表現接近，於是我們可以通過最小化訓練資料上 error 來最小化在整個資料分布上的 error。
不管機器學習演算法怎麼變，這些元件都差不多，我認為它們就是機器學習的本質。
從本質如何理解機器學習
手推機器學習各大經典演算法成為演算法研發崗位的必備內容。無論您是從事資料探勘還是應用機器學習進行影象識別和商品推薦。僅僅會呼叫 python 機器學習包是不具備競爭力的。而機器學習演算法繁多，每個都靠記憶推導公式來記住機器學習演算法這是很困難的。只有了解，從演算法發明者的角度出發理解演算法原理，才能...
機器學習中分類與聚類的本質區別
機器學習中有兩類的大問題，乙個是分類，乙個是聚類。在我們的生活中，我們常常沒有過多的去區分這兩個概念，覺得聚類就是分類，分類也差不多就是聚類，下面，我們就具體來研究下分類與聚類之間在資料探勘中本質的區別。分類有如下幾種說法，但表達的意思是相同的。分類演算法的侷限 分類作為一種監督學習方法，要求必須事...
機器學習中分類與聚類的本質區別
機器學習中有兩類的大問題，乙個是分類，乙個是聚類。在我們的生活中，我們常常沒有過多的去區分這兩個概念，覺得聚類就是分類，分類也差不多就是聚類，下面，我們就具體來研究下分類與聚類之間在資料探勘中本質的區別。分類有如下幾種說法，但表達的意思是相同的。分類問題是用於將事物打上乙個標籤，通常結果為離散值。例...