第 1 页 / 共 19 页
第 2 页 / 共 19 页
第 3 页 / 共 19 页
第 4 页 / 共 19 页
第 5 页 / 共 19 页
第 6 页 / 共 19 页
第 7 页 / 共 19 页
第 8 页 / 共 19 页
第 9 页 / 共 19 页
第 10 页 / 共 19 页
第 11 页 / 共 19 页
第 12 页 / 共 19 页
第 13 页 / 共 19 页
第 14 页 / 共 19 页
第 15 页 / 共 19 页
第 16 页 / 共 19 页
第 17 页 / 共 19 页
第 18 页 / 共 19 页
第 19 页 / 共 19 页
机器学习（周志华）《机器学习》自学知识点笔记（第一、二章）_周志华的《机器学习》
机器学习（周志华）《机器学习》自学知识点笔记（第一、二章）_周志华的《机器学习》 第一章，也是最基础的一章，奠定了整个学习的基石。周志华在书中对机器学习进行了深刻的定义：“机器学习是让计算机在没有明确编程的情况下，通过从数据中学习来获得经验并做出预测或决策的过程。” 核心在于“数据”！ 训练数据必须是“可识别的模式”的样本，才能让算法从中学习。书中对监督学习、无监督学习、强化学习的区分也至关重要。监督学习需要“标记数据”，即输入数据与期望输出的对应关系；无监督学习则依赖于算法自己发现数据的内在结构，例如聚类。 第二章则聚焦于监督学习的两种经典方法：线性回归和逻辑回归。线性回归旨在找到自变量与因变量之间的线性关系，通过最小化均方误差来确定最佳参数。而逻辑回归则用于解决二分类问题，通过sigmoid函数将线性组合映射到0到1之间，从而预测样本属于哪个类别。周志华强调了模型评估的重要性，例如用均方误差(MSE)衡量线性回归的性能，以及准确率、精确率、召回率等指标评估分类模型的性能。 在学习过程中，我尤其注意到了周志华对于“偏差-方差权衡”的阐述。 算法的复杂程度会影响模型的偏差和方差。过高的方差会导致模型过度拟合训练数据，泛化能力下降；而过高的偏差则意味着模型无法很好地捕捉数据中的模式。找到最佳的平衡点是机器学习的关键。 学习《机器学习》这本书，就像打开了一扇通往智能世界的门。理解这些基本概念和技巧，是后续深入学习更复杂算法的基础。希望这份笔记能够帮助更多人更好地理解周志华的经典之作，并踏上探索机器学习的旅程。
展开
机器学习（周志华）
2025-07-21
9次阅读
资料获取方式
温馨提示：登录学霸英雄官网后可获取更多大学生必备科目和考证等复习备考资料！