标签：任务 学习 输入 数据 中学 技术 关系 计算机 无限
什么是机器学习？计算机程序从经验E（给一些样本数据）中学习任务T，用度量P来衡量性能，并且由P定义的关于T的性能会随着经验E而提高
机器学习分为：有监督学习（给出数据样本的标签）、无监督学习（没有给出数据样本的标签）、半监督学习（给出少量的有标签数据，和大量没有标签的数据）、强化学习（对输入的数据做出评价）
机器学习的过程如下所示：
即由训练数据，输入学习算法，得到模型的假设函数，例如，由房屋尺寸和价格得到的房屋价格预测模型，由输入房屋尺寸，经过模型h，得到估计的房屋价格
为什么机器学习由训练的数据样本训练出的模型，在另外的测试样本中经过这个模型可以得到近似真实的结果？
以从瓶中抽取弹珠为例：
假设，总的样本中橘色弹珠的比例为
，随机抽取出的样本中橘色弹珠的比例为
，这两个比例值相差的概率符合公式：
，由公式可以看出，两个比例值相减的差值大于某一值
，由于后面的
随着
的增大而减小，公式说明两个比例值相差很大的概率是很小的，说明在一定程度上抽取的样本训练模型可以代表真实的模型，但只是大致相近，不能等同与真实模型，那么怎么保证由样本训练出的模型无限接近于真实的模型？
引入三个符号，训练时的误差Ein和测试模型的误差Eout，以及代表模型复杂度的
，训练模型时要Ein尽可能的小（理想情况下为0），无限接近真实的模型要Eout尽可能的最小，模型的假设函数用g表示，则对于一个模型函数g的Ein和Eout的关系表示为
，
由公式可以看出
线性回归模型，由一系列输入得到一个实数的输出
标签：任务 学习 输入 数据 中学 技术 关系 计算机 无限
原文地址：http://www.cnblogs.com/zsw900610/p/6953912.html
