機器學習中容易出現的誤區

在機器學習中很多人都可能有一定的誤解，那就是認為複雜的事物容易出錯，而簡單的事物往往會得到極高的準確率，那麼事實真的是這樣的嗎？在這篇文章中我們詳細的給大家介紹一下這個問題，並給大家介紹一下特徵的相關知識。

其實簡單並不意味著準確。在機器學習中，這通常意味著，給定兩個具有相同訓練錯誤的分類器，兩者中較簡單的可能具有最低的測試錯誤。有關這一說法的證據在文獻中經常出現，但事實上有很多反例，比如「天底下沒有免費的午餐」定理也暗示它不可能是真的。

而特徵工程的重要性大家也是知道的，一般來說，特徵選擇也叫特徵子集選擇。是指從已有的 m 個特徵中選擇 n 個特徵使得系統的特定指標最優化，是從原始特徵中選擇出一些最有效特徵以降低資料集維度的過程，是提高演算法效能的乙個重要手段，也是模式識別中關鍵的資料預處理步驟。而特徵提取是計算機視覺和影象處理中的乙個概念。它指的是使用計算機提取影象資訊，決定每個影象的點是否屬於乙個影象特徵。特徵提取的結果是把影象上的點分為不同的子集，這些子集往往屬於孤立的點，連續的曲線或者連續的區域。