机器学习笔记——第1章 绪论

文章目录

• 一、绪论
• 1.1 基本术语
• 1.2 假设空间与归纳偏好
• 1.3 发展历程
• 参考资料

一、绪论

为什么人类的本质是复读机？

浅层次的理解如同QQ/wecaht消息的 +1 操作；

深层次的理解，就得由一款游戏《信任的进化》。游戏中设置了几个角色：

• 复读机：特点是会选择和玩家之前一模一样的选择。假如玩家一直合作，他也会一直合作；假如玩家一直欺骗，他也会一直欺骗。
• 千年老油条：永远不合作；
• 万年小粉红：永远合作；
• 黑帮老铁：如果第一轮合作，那么后面都合作；如果第一轮欺骗，那么后面都欺骗的。

如同你上学读书十几年，实际上每天都在复读前人的理论知识学说概念，你所学的每一个公式，你背诵的每一首诗，都是在复读前人的成果，也就是人类的智慧，人类的文明。

Scenery 基于复读机这一点，认为人的行为是可以预测的，正如机器学习使用数据进行预测。

1.1 基本术语

• 数据集（data set）， 示例（instance）
• 属性（attribute）= 特征（feature）
• 属性值（attribute value），属性空间（attribute space）
• 特征向量（feature vector）

一般地，令 $\boldsymbol{D=\{ x_1,x_2,...,x_m \}}$D={x1​,x2​,...,xm​} 表示包含 $m$m 个示例的数据集，每个示例由 $d$d 个属性描述，则每个示例 $\boldsymbol{x_i =} (x_{i1};x_{i2};...;x_{id})$xi​=(xi1​;xi2​;...;xid​) 是 $d$d 维样本空间 $\chi$χ 中的一个向量，$\boldsymbol x_i\in\chi$xi​∈χ，其中$x_{ij}$xij​ 是 $\boldsymbol x_i$xi​ 在第 $j$j 个属性上的取值，$d$d 称为 $\boldsymbol x_i$xi​ 的维数。

训练数据（training data）中的每个样本称为一个 训练样本（training sample），训练样本的集合组成训练集（training set）。

学得的模型对应了关于数据的某种潜在得到规律，即“假设”（hypothesis）; 这种潜在规律自身，称为“真相”（ground-truth）, 训练过程是为了逼近真相。

• 样例-标记：$(\boldsymbol x_i ; y_i)$(xi​;yi​) 表示第 $i$i 个样例，其中 $y_i \in \boldsymbol Y$yi​∈Y 是示例 $\boldsymbol x_i$xi​ 的标记，$\boldsymbol Y$Y 是所有标记的集合，称为 标记空间（label space） ;

• 分类（classification）: 预测的是离散值;有 二分类（binary classificaton） 和 多分类（multi-class classification）；

• 回归（regression）: 预测的值是连续的；

• 聚类（clustering）: 将训练样本分成若干组；

• 学习任务分类：

• 学习任务分类：

• 泛化（generalization）能力 ：机器学习得到的模型在未经训练过的样本上的表现能力；

1.2 假设空间与归纳偏好

把学习过程看做是一个在所有假设组成的空间中进行搜索的过程，搜索目标是找到与训练集匹配（fit）的假设；

• 归纳偏好：学习算法在庞大的假设空间中选择“正确的”的模型；采用 ”奥卡姆剃刀“（Occam’s razor） 原则：若有多个假设与观察一致，则选择最简单的那个，如图1.3,选择曲线A.

但该原则并不通用，如对图1.4，(a)模型A简单且优于B,(b)模型A简单，但B性能优于A.

• “没有免费的午餐”（No Free Lunch Theorem, NFL）定理的前提是所有问题出现的机会相同或者问题同等重要。但实际问题通常并不是这样，针对具体的问题，有相应的最优算法，脱离具体问题而空泛地讨论何种算法更好没有意义。（ ps:横看成岭侧成峰么）

1.3 发展历程

• 1950s，基于神经网络的 连接主义（connectionism） 学习开始出现：F.Rosenblatt的感知机（Perceptron）、B.Widrow的Adaline等；

• 1960s-1970s，基于逻辑表示的 符号主义（symbolism） 学习技术：P.Winston 的结构学习系统、R.S.Michalski等的基于逻辑的归纳学习系统、E.B.Hunt等的概念学习系统；以决策理论为基础的学习技术以及强化学习技术：N.J.Nilson的学习机器；

• 1980s，从样例中学习的主流是 符号主义学习：决策树、基于逻辑的学习；

• 1990s前期，从样例中学习的主流变为 基于神经网络的连接主义学习；

• 1990s中期，主流是统计学习（statistical learning）：支持向量机（Support Vector Machine, SVM）、核方法（kernel methods）;

• 2000s，深度学习，多层神经网络。

参考资料

1. 机器学习-周志华
2. 绪论-B站