机器学习入门知识
机器学习是什么？
机器学习的定义有很多，我自己的理解是，机器学习是使机器拥有解决实际问题的能力，他能够根据经验数据分析现有的问题，进行分类和预测
有监督学习和无监督学习
面对要解决的问题首先分析是分类还是回归问题，再进一步看看是监督学习的方法好还是无监督学习的方法好，监督学习是事前就将结果进行了标记，在监视的情况下看运行的结果，类似于圈套，对结果是具体的，而无监督学习没有明确的结果
无监督学习是降维和聚类
有监督学习是线性回归（单变量、多变量），逻辑回归（LR）,神经网络，支持向量机（svm），决策树
下面来一一介绍他们的核心和基本应用
从易到难，由浅入深
监督学习中有个基本的模型EPT三要素，其中E是经验，P是性能，T是任务
单变量线性回归：
他的核心思想是以预测值与真实值de误差平方和作为代价，再利用梯度下降的方法传递误测，更新参数
基本应用：
明确目标，分析问题，加载数据，数据处理（数据压缩，归一化），数据标准化，带入模型，进行训练，通过代价函数提高性能，通过梯度下降的方法找到参数的最优解，得到模型
用测试集进行测试，看看准确率，指导自己的模型，提高泛化能力
插入知识----机器学习设计
面对一些训练集和测试集还有交叉验证集，常常会出现过拟合，欠拟合的问题，针对这些问题怎样来进行调试
过拟合的产生原因是过于拟合训练集的数据，于至于模型不能泛化，可以通过以下途径来解决
1.是正则化，引入参数lamda，减小特征的权重，增加代价