有些知识还是记录下来比较容易复习。
懂原理， 会使用平台，使用语言实现常见算法。
1.大纲
机器学习的基本概念
机器学习的实质
机器学习方法的三要素
经验风险与结构风险
常见损失函数
一：基本概念
1.机器学习的方法流程
用监督学习为例
首先，有一个输入数据，然后根据这个输入数据做一些特征的加工和整理，基于特征进行模型的训练，去建模，然后做模型评估，得到一个可以接受的模型，然后对模型就行部署，使用模型对业务进行应用。
定期更新模型，对模型生命周期进行维护。
2.输入空间与输出空间
输入空间（input space）：将输入的所有可能取值的集合称作输入空间
输出空间（output space）：将输出的所有可能取值的集合作为输出空间
输入空间与输出空间可以是有限元素的集合，也可以是欧式空间
输出空间与输出空间可以是连续值的集合，也可以是离散集合
输入空间与输出空间可以是同一个空间
通常，输出空间比输入空间小
3.特征空间
特征：每个输入实例的各个部分称为原始特征，基于特征还可以扩展出衍生特征
特征向量：多个特征组合的集合
特征空间：将特征向量存在的空间称为特征空间
特征空间每一维都对应一个特性
特征空间可以与输入空间相同，也可以不同
需要将实例从输入空间映射到特征空间
模型实际上是定义特征空间之上的
4.输入空间与特征空间
需要将实例从输入空间映射到特征空间
模型实际上是定义特征空间之上的
5.假设空间
由输入空间到输出空间的映射的集合。
监督学习的目的在于学习一个由输入到输出的映射，这一映射由模型来表示。学习的目的就是找到最好的这样的模型。
模型属于输入空间到输出空间的映射集合，这个结合就是假设空间
举例：
二：机器学习方法的三要素
1.三要素
方法=模型+策略+算法
模型：输入空间到输出空间的映射关系，学习过程就是从假设空间中搜索适合当前数据的假设
策略：从假设空间众多 的假设中选择最优模型的学习标准或者规则
算法：学习模型的具体计算方法，通常所以求解最优化问题
模型：确定学习范围
策略：确定学习规则
算法：按照规则在范围内学习
2.模型
分析当前需要解决的问题，确定模型。
3.策略
从假设空间众多假设中选择到最优的模型的学习标准或者规则
选择时，需要解决以下的问题：
评估对单个样本的效果
评估对训练集的整体效果
评估对包括训练集预测集在内的所有数据的整体效果
定义几个指标来衡量：
损失函数：0-1损失函数
风险函数：经验风险，期望风险，结构风险
策略：
经验风险最小EMR
结构风险最小SRM
4.损失函数
用来衡量预测结果与真实结果之间的差距，值越小，越一致
通常是一个非负实值函数
通过各种方式缩小损失函数的过程被称为优化，损失函数记做L（Y,f(x)）
常见：
0-1损失函数：预测值与实际值相同是没有损失为0，否是是完全损失，为1。过于严格，一般采用两者的差小于某个阈值的方式。
绝对值损失函数：预测结果与真实结果差的绝对值，简单易懂，但是计算不方便
平方损失函数：预测结果与真实结果差的平方。
优势：
每个差值都是正的，累加不会被抵消
平方对于大误差的惩罚大于小误差
数据计算简单，友好，导数为一次函数
对数损失函数：对数函数具有单调性，在求最优化问题时，结果与原始目标一致，可以将乘法转化为加法，简化计算
指数损失函数：单调性，非负性优良性质，使得越接近正确结果，误差越小
折叶损失函数：也叫铰链损失，对于判定边界附近的点的惩罚力度较高，常见于SVM。
使用场景：
0-1：理想状况模型
log：逻辑回归，交叉熵
squared：线性回归
exponential：AdaBoosting
Hinge：SVM，soft margin
5.经验风险与风险函数
经验风险：损失函数度量了单个样本的预测结果，想要很亮整个训练集的预测值与真实值的差异，将整个训练集所有记录均进行一次预测，求损失函数，将所有的值累加，即为经验风险。
经验风险越小，说明模型对训练集的拟合度越好。
风险函数：又要期望损失，期望风险。所有的数据集的损失函数的期望。
经验风险与期望风险：
期望风险是对全局的效果，经验风险对局部的效果
期望风险往往无法计算，经验风险可以计算
当训练集足够大时，经验风险可以替代期望风险
6.经验风险的的问题
在样本比较小时，仅关注经验风险，容易导致过拟合
7.结构风险
在经验风险的基础上，我们继续解决。
在经验风险的基础上，增加一个正则化项（Regularizer）或者为惩罚项（Penalty Term）。
结构风险与经验风险：
经验风险越小，模型决策函数越复杂，包含的参数越多
当经验风险函数小到一定程度就出现过拟合
防止过拟合的方式，就是降低决策函数的复杂度，让惩罚项最小化
需要同时保证经验风险函数与模型决策函数的复杂度都达到最小化
把两个式子融合得到结构风险函数，然后对这个结构风险函数进行最小化
8.范数
规则化函数有多重选择，一般的，他是模型复杂度的单调递增函数，模型越复杂，该函数的值越大，惩罚力度越大。
常用模型的参数向量的范数。
常用的范数有零范数，一范数，二范数。
公式：
Lo范数：非零的元素的个数
L1范数：各个元素的绝对值之和，使用L1，使得参数稀疏。
L2范数：各个元素的平方和求平方根，使得每个元素都很小，但是不会等于0，而是接近于0.
9.范数
3.
来源：https://www.cnblogs.com/juncaoit/p/10387272.html