机器学习作为近年来的一个热门概念，很多人都对他感兴趣，但往往因为入门困难而望而却步。
机器学习可以说是一个交叉领域。涵盖了计算机、统计学和数学领域的知识。在学习过程中，除了练习，还有大量的枯燥的记忆和理解。
我在初学的时候，也时时感到头疼，长篇大论的机器学习教材书，看着费劲，还不容易串联概念，综合记忆。 读了无数遍“西瓜书”，还是记不住什么是AUC值。
如果你和我一样，那么这时候，你可能需要一种新的学习方式——小抄表（cheatsheet／flashcards）。
这简直是我这种金鱼脑子的福音。今天给大家推荐的这份284页机器学习小抄，由数据科学家Chris Albon制作，大数据文摘志愿者团队翻译，脉络清晰、详略有度，非常碎片化阅读、快速记忆。建议大家人手一份。
内容展示
拟合度：调整R方
直观地讲，校正决定系数考虑了变量的个数对决定系数的影响。当新加入的变量没有统计意义的时候，校正决定系数会变小。
AUC值
对于一个问题来说最好的结构是通过验证集来验证的。
Bagging算法
布莱尔分数
布莱尔分数表示了所有样本的预测概率值与它们实际结果的均方误差。 这个分数范围为0到 1】，越低代表预测越准确。
*译者注∶举例说，比如预测过去某一天会不会下雨，预测值为100%，真实情况为1（表示下雨），则布莱尔分数为0，最佳的布莱尔分数
如果预测值为30%，真实情况为0，则布莱尔分数为0.09，也是不错的预测值
*特别声明：本资料由数据科学家Chris Albon制作，大数据文摘志愿者团队翻译。版权原作者所有，侵删。
