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）基本术语_机器学习（周志华）各类名词
机器学习（周志华）基本术语_机器学习（周志华）各类名词 机器学习，作为人工智能的一个重要分支，其核心在于让计算机无需显式编程就能从数据中学习并做出预测或决策。正如周志华在《机器学习》这本书中所阐述的，这套理论的基石在于“学习”这个概念本身。它并非简单的程序指令，而是算法通过调整自身参数，逐步逼近数据中的规律。 在“机器学习”中，我们经常会遇到一些关键名词。例如，“训练数据”（Training Data）是指用于算法学习的样本集合，是学习的基础。 “模型”（Model）则是算法在学习过程中构建的，它代表了对数据分布的理解。 再如，“算法”（Algorithm）本身就至关重要。不同的算法适用于不同的问题，选择合适的算法对于机器学习的效果至关重要。周志华在书中详细介绍了各种算法的原理和应用，例如线性回归、决策树、支持向量机等。 “特征”（Feature）是指用于描述数据的属性，好的特征能够有效提升模型的学习效果。 此外，“参数”（Parameter）指的是模型内部可以调整的变量，通过调整这些参数，模型可以更好地拟合数据。 “泛化误差”（Generalization Error）则代表了模型在未见过的数据上的预测能力，也是衡量模型质量的重要指标。 理解这些基本概念，能够帮助我们更好地理解机器学习的流程和核心思想。 “过拟合”（Overfitting）和“欠拟合”（Underfitting）是机器学习中经常遇到的问题，它们都反映了模型在学习过程中遇到的挑战。 正确理解并解决这些问题，才能构建出真正有效的机器学习模型。
展开
机器学习（周志华）
2025-07-21
11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！