机器学习
自己是从传统开发转过来的，正在学习。如果有什么写的不对的多多包涵，写写文章加深记忆。
1、区别
在传统的编程方法中，程序员会编写一系列规则或指令，告诉计算机如何执行任务。而在机器学习中，程序员并不是直接编写所有规则，而是训练计算机从数据中自动学习和推断模式。
- 传统编程： 程序员定义明确的规则和逻辑，计算机根据这些规则执行任务。
- 机器学习： 计算机通过数据"学习"模式，生成模型并基于这些模式进行预测或决策。
2、基础概念
2.1、训练集、测试集和验证集
- 训练集（Training Set）： 训练集是用于训练机器学习模型的数据集，它包含输入特征和对应的标签（在监督学习中）。模型通过学习训练集中的数据来调整参数，逐步提高预测的准确性。
- 测试集（Test Set）： 测试集用于评估训练好的模型的性能。测试集中的数据不参与模型的训练，模型使用它来进行预测，并与真实标签进行比较，帮助我们了解模型在未见过的数据上的表现。
- 验证集（Validation Set）： 验证集用于在训练过程中调整模型的超参数（如学习率、正则化参数等）。它通常被用于模型调优，帮助选择最佳的模型参数，避免过拟合。验证集的作用是对模型进行监控和调试。
2.2、特征（Features）和标签（Labels）
- 特征（Features）： 特征是输入数据的不同属性，模型使用这些特征来做出预测或分类。例如，在房价预测中，特征可能包括房子的面积、地理位置、卧室数量等。
- 标签（Labels）： 标签是机器学习任务中的目标变量，模型要预测的结果。对于监督学习任务，标签通常是已知的。例如，在房价预测中，标签就是房子的实际价格。
2.3、模型（Model）与算法（Algorithm）
- 模型（Model）： 模型是通过学习数据中的模式而构建的数学结构。它接受输入特征，经过一系列计算和转化，输出一个预测结果。常见的模型有线性回归、决策树、神经网络等。
- 算法（Algorithm）： 算法是实现机器学习的步骤或规则，它定义了模型如何从数据中学习。常见的算法有梯度下降法、随机森林、K近邻算法等。算法帮助模型调整其参数以最小化预测误差。
2.4、监督学习、无监督学习和强化学习
- 监督学习（Supervised Learning）： 在监督学习中，训练数据包含已知的标签。模型通过学习输入特征与标签之间的关系来进行预测或分类。监督学习的目标是最小化预测错误，使模型能够在新数据上做出准确的预测。
- 无监督学习（Unsupervised Learning）： 无监督学习中，训练数据没有标签，模型通过分析输入数据中的结构或模式来进行学习。目标是发现数据的潜在规律，常见的任务包括聚类、降维等。
- 强化学习（Reinforcement Learning）： 强化学习是让智能体（Agent）通过与环境（Environment）的互动，采取行动并根据奖励或惩罚来学习最优策略。智能体的目标是通过最大化长期奖励来优化行为。
2.5、过拟合与欠拟合
- 过拟合（Overfitting）： 过拟合是指模型在训练数据上表现非常好，但在测试数据上表现很差。这通常发生在模型复杂度过高、参数过多，导致模型"记住"了训练数据中的噪声或偶然性，而不具备泛化能力。过拟合的模型无法有效应对新数据。
- 欠拟合（Underfitting）： 欠拟合是指模型在训练数据上和测试数据上都表现不佳，通常是因为模型过于简单，无法捕捉数据中的复杂模式。欠拟合的模型无法从数据中学习到有用的规律。
2.6、训练与测试误差
- 训练误差（Training Error）： 训练误差是模型在训练数据上的表现，反映了模型是否能够很好地适应训练数据。如果训练误差很大，可能说明模型不够复杂，欠拟合；如果训练误差很小，可能说明模型太复杂，容易过拟合。
- 测试误差（Test Error）： 测试误差是模型在未见过的数据上的表现，反映了模型的泛化能力。测试误差应当与训练误差相匹配，若测试误差远高于训练误差，通常是过拟合。
2.7、评估指标
根据任务的不同，机器学习模型的评估指标也不同。以下是常用的一些评估指标：
- 准确率（Accuracy）： 分类任务中，正确分类的样本占总样本的比例。
- 精确率（Precision）和召回率（Recall）： 主要用于处理不平衡数据集，精确率衡量的是被模型预测为正类的样本中，有多少是真正的正类；召回率衡量的是所有实际正类中，有多少被模型正确识别为正类。
- F1 分数： 精确率与召回率的调和平均数，用于综合考虑模型的表现。
- 均方误差（MSE）： 回归任务中，预测值与真实值之间差异的平方的平均值。
