机器学习与数据挖掘 第二讲 机器学习分类与可能性

版权声明：该文章来自leeningzzu https://blog.csdn.net/leeningzzu/article/details/88071371

第二讲 机器学习分类与可能性

分类

目前多按照数据标记分类

• 输出空间

1. 二元分类
2. 多元分类 （离散为分类）
3. 回归分析 （连续为回归）
4. 结构化学习

• 数据标记

1. 监督
2. 非监督
3. 半监督
4. 增强学习 （反馈是关键）

• 目标函数

1. Batch 填鸭式
2. online 老师教学
3. active 主动问题

机器学习的可能性

重点关注预测未知数据的能力，即泛化能力的本质

Hoeffding‘s inequality $P[|\nu-\mu|>\epsilon]\leq2exp({-2}\epsilon^{2}N)$
当抽样样本 $N$足够大或者容忍限度 $\epsilon$宽松时， $\nu=\mu$在概率上几乎正确(probably approximately correct,PAC).其背后的实质是大数定律，所以当样本足够大时可从样本数据推算全局。
通过对数据集的训练，我们默认从假设集合中挑选表现最好的假设 $\Rightarrow g=f$,但表现好一定具有很好的泛化能力么？这么选择是否有依据？毕竟存在表现佳但泛化能力差的可能。
当数据集足够大时, $E_{in}$与 $E_{out}$表现差别大的概率很小 $P[|E_{in}-E_{out}|>\epsilon]\leq2Me^{{-2}\epsilon^{2}N}$.所以每次选择表现最好的假设其泛化能力越强的可能性高，选择具有合理性。

从统计学随机抽样代表性角度类比：
在大的样本空间中随机抽样，可能存在样本对总体代表性不佳的可能，但在大数定律下，该事件属于小概率事件，即选择到代表性差的样本可行性低。
所以当 $N$足够大时，即便进行一次随机抽样，我们认为所得样本可较好的代表总体特征（小概率事件不可能定理）。