学习算法：机器学习所研究的主要内容，是关于在计算机上从数据中产生“模型”的算法，即“学习算法”。
学习算法的作用：1.基于提供的经验数据产生模型；
2.面对新情况时，模型可提供相应的判断。
模型：泛指从数据中学得的结果。
学习器：学习算法在给定数据和参数空间上的实例化。
要进行机器学习，先要有数据。
数据集：一组记录的集合。
示例/样本/特征向量：每条记录（关于一个事件或对象的描述）或空间中的每一个点（对应一个坐标向量）。
属性/特征：反应事件或对象在某方面的表现或性质的事项。
属性值：属性上的取值。
属性空间/样本空间/输入空间：属性张成的空间。
维数：属性的个数。
模型需要从数据中学得。
学习/训练：从数据中学得模型的过程。
训练数据：训练过程中使用的数据。
训练样本：每个样本。
训练集：训练样本组成的集合。
假设：学习模型对应了关于数据的某种潜在的规律。
真相/真实：这种潜在规律自身。
学习过程就是为了找出或逼近真相。
获得训练样本的结果信息，才能建立“预测”的模型。
标记：关于示例结果的信息。
样例：拥有了标记信息的示例。
标记空间：所有标记的集合。
测试：学得模型后，使用其进行预测的过程。
测试样本：被预测的样本。
聚类：将训练集中的训练样本分成若干组。
簇：每组称为一个“簇”，这些自动形成的“簇”可能对应一些潜在的概念划分。
根据训练数据是否拥有标记信息，学习任务可大致划分为两类。
机器学习的目标是使学得的模型能更好地适用于“新样本”。
泛化：学得模型适用于新样本的能力。
学习过程看作一个在所有假设组成的空间中进行的搜索的过程，搜索目标是找到与训练集“匹配”的假设。
假设空间：机器学习中可能的函数构成的空间称为“假设空间”。
版本空间：一个与训练集一致的“假设集合”。
归纳偏好：机器学习算法在学习过程中对某种类型假设的偏好。
任何一个有效的机器学习算法必有其归纳偏好。
“奥卡姆剃刀”原则：“若有多个假设与观察一致，则选最简单的那个。”
注意： 奥卡姆剃刀并非唯一可行的原则；
奥克姆剃刀本身存在不同的诠释。
“没有免费的午餐”定理（NFL定理）：总误差与学习算法无关。
注意： 脱离具体问题，空泛的谈论“什么学习算法更好”，毫无意义。
P5 假设空间的规模问题
1. 某一属性值无论取什么都合适，我们用通配符“*”来表示。
2. 世界上没有，我们用“∅”来表示。
书中例子为西瓜，为判断西瓜的好坏，其属性有三种，即：色泽、根蒂、敲声。
这三种属性分别有3、3、3种可能取值，但假设空间的规模却是4×4×4+1=65。
这是因为，在假设空间中，属性的“无论取什么属性值都合适”也是一种属性值，而不是作为单一属性的3种可能取值的集合存在。
因为假设空间是机器学习中可能的函数构成的空间，“无论取什么属性值都合适”意味着这个函数与这一属性无关。
例如，如果西瓜的三个属性取值都是“无论取什么属性值都合适”，那么无论什么瓜，都是好瓜。而不是3×3×3=27个种类的瓜的集合，并不需要依次判断，需要的判断仅仅是——它是瓜。
所以其假设空间为：
{青绿，乌黑，浅白，*}×{蜷缩，稍蜷，硬挺，*}×{浊响，清脆，沉闷，*}+1（没有“好瓜”的定义）=65
1.1 表1.1中若只包含编号为1和4的两个样例，试给出相应的版本空间。
解：
如表1.1所示，好瓜和非好瓜的三个属性的属性值均不相同，故与训练集一致的假设集合即版本空间如下图所示：
图1.1 版本空间
其取值则共有七种，其合取式为：
（色泽＝青绿）∧（根蒂＝ ∗ ）∧（敲声＝ ∗ ）
（色泽＝ ∗ ）∧（根蒂＝蜷缩）∧（敲声＝ ∗ ）
（色泽＝ ∗ ）∧（根蒂＝ ∗ ）∧（敲声＝浊响）
（色泽＝青绿）∧（根蒂＝蜷缩）∧（敲声＝ ∗ ）
（色泽＝青绿）∧（根蒂＝ ∗ ）∧（敲声＝浊响）
（色泽＝ ∗ ）∧（根蒂＝蜷缩）∧（敲声＝浊响）
（色泽＝青绿）∧（根蒂＝蜷缩）∧（敲声＝浊响）
1.2 与使用单个合取式来进行假设表示相比，使用“析合范式”将使得假设空间具有更强的表示能力。例如：
好瓜←→（(色泽=*)∧(根蒂=蜷缩)∧(敲声=*)）∨（(色泽=乌黑)∧(根蒂=*)∧(敲声=沉闷)）
会把“（(色泽=青绿)∧(根蒂=蜷缩)∧(敲声=清脆)）”以及“（(色泽=乌黑)∧(根蒂=硬挺)∧(敲声=沉闷)）”都分类为“好瓜”。
若使用最多包含k个合取式的析合范式来表达表1.1西瓜分类问题的假设空间，试估算共有多少种可能的假设。
解：
计算此题，先要计算假设空间的规模，之前笔者一直被P5 中三种属性的3种属性值迷惑，以为此表也应如此计算。
但实际上，此表的色泽属性只有：1.青绿、2.乌黑 两种属性值，故其规模大小为： 3×4×4+1=49种。
k的最大值为49。
使用最多包含k个合取式的析合范式有如下多种可能：
p.s.很多博主都分别讨论了是否存在冗余的两种情况，笔者则认为冗余由于分析的步骤不同而不存在。
1.3 若数据包含噪声，则假设空间中有可能不存在与所有训练样本都一致的假设。在此情形下，试设计一种归纳偏好用于假设选择。
解：
归纳偏好：在训练过程中选择满足最多样本的假设。
1.4 本章1.4节在论述“没有免费的午餐”定理时，默认使用了“分类错误率”作为性能度量来对分类器进行评估。若换用其他性能度量l,试证明没有免费的午餐”定理仍成立。
解：
考虑二分类问题，NFL首先要保证真是目标函数f均匀分布，对于有X个样本的二分类问题，显然f共有2X种情况。其中一半是与假设一致的，也就 P(f(x)=h(x))=0.5。 此时， ∑fl(h(x),f(x))=0.5∗2X∗(l(h(x)=f(x))+l(h(x)≠f(x))) l(h(x)=f(x))+l(h(x)≠f(x))应该是个常数，隐含的条件就该是(一个比较合理的充分条件) l(0,0)=l(1,1),l(1,0)=l(0,1)。如果不满足， NFL 应该就不成立了(或者不那么容易证明)。
本站文章如无特殊说明，均为本站原创，如若转载，请注明出处：【西瓜书】周志华《机器学习》学习笔记与习题探讨（一） - Python技术站
微信扫一扫 
支付宝扫一扫 