機器學習Introduction

機器學習有兩種定義，一種是 arthur samuel 所描述的：機器學習是機器學習是一種能夠賦予機器學習的能力以此讓它完成直接程式設計無法完成的功能的方法。這是乙個過時、非正式的定義。tom mitchell 給出一種更現在的定義：

乙個程式被認為能從經驗e中學習，解決任務 t，達到

效能度量值p，當且僅當，有了經驗e後，經過p評判，

程式在處理 t 時的效能有所提公升。

例子：下棋

e=下很多盤棋的經驗。

t=下棋的任務。

p=程式能在下一局中獲勝的概率。

機器學習問題通常分為類：監督學習和無監督學習。

在監督學習中，我們給出乙個資料集並且知道正確輸出的樣子，對輸入和輸出之間的關係明了。

監督學習問題歸類成「回歸」和「分類」問題。在**問題中，我們嘗試在連續的輸出中**結果，意味著我們正在試著將輸入的因素對映成一些連續的函式。而在乙個分類問題中，我們嘗試將**歸結成乙個非連續的結果。換句話說，我們試圖將輸入因素對映為離散的類別。

例子1：

給出房子真實的建築面積，嘗試去**它的**。**作為面積的函式是乙個連線的輸出，所以這是乙個回歸問題。

如果把輸出替換成這個房子的售價是否高於或低於要價，那麼這個例子就轉換成乙個分類問題。

例子2：

（a)回歸—給出乙個人的**，通過****這個的年齡。

（b)分類—給出乙個腫瘤患者，**腫瘤是良性還是惡性。

無監督學習允許在很少或者根本不知道結果會是什麼樣子的情況下解決問題。我們不需要知道變數的影響就可以從資料中挖掘結構。

我們可以根據資料中變數之間的關係對資料進行聚類，從而得出這種結構。無監督學習沒有基於**結果的反饋。

例子：聚類：對於1000000個不同的基因集合，找到一種方法，自動將這些基因分成不同的變數組，如壽命、位置、角色等。

非聚類：雞尾酒會演算法，要求我們在乙個混亂的環境中找到結構。（即在雞尾酒會上從一片聲音中辨別出個人的聲音和**）。