《机器学习》 – 周志华 第一章学习笔记
基本术语
- 分类（classification）：若我们欲预测的是离散值，如“好瓜”“坏瓜”，此类学习任务成为“分类”。
- 回归（regression）：若预测的是连续值，如西瓜成熟度0.65，0.78，此类学习任务称为“回归”。
- 聚类（clustering）：将训练集分成若干组（簇），这些簇可能对应一些潜在的概念划分，如“浅色瓜”“深色瓜”。
- 学习（learning）/训练（training）：从数据中学得模型的过程。
- 训练数据：训练过程中使用的数据。
- 训练集：训练样本组成的集合。
- 真相/真实：关于数据的某种潜在规律自身。学习过程就是为了找出或逼近真相。
- 根据训练数据是否有标记信息，学习任务可分为：监督学习 和 无监督学习。分类、回归是监督学习，聚类是非监督学习。
- 泛化能力：学得模型适用于新样本的能力。
- 归纳偏好：机器学习算法在学习过程中对某种类型假设的偏好，如算法喜欢“好瓜<->（色泽=青绿）^（根蒂=蜷缩）^（敲声=浊响）”。注：任何一个有效的学习算法必有其归纳偏好，否则它将被假设空间中假设所迷惑。
没有免费的午餐
No Free Lunch Theoren 定理 ，
没有免费的午餐定理，简称NFL定理，
由美国斯坦福大学的Wolpert和Macready教授提出。
在机器学习算法中的体现为在没有实际背景下，
没有一种算法比随机胡猜的效果好。
首先，我们假设一个算法为a，
而随机胡猜的算法为b，
为了简单起见，
假设样本空间为χ和假设空间为H都是离散的。
令 P(h|X,a)表示算法a基于训练数据X产生假设h的概率，
再令f代表我们希望的真实目标函数。
a的训练集外误差，即a 在训练集之外的所有样本上的误差为
Eote(a|X,f)=∑h∑x∈χXP(x)I(h(x)≠f(x))P(h|X,a)
其中I()是指示函数，若为真则取值1，否则取值0.
考虑二分类问题，且真实目标函数可以是任何函数χ{0,1},函数空间为{0,1}|χ|(|χ|指样本空间χ中元素个数，对所有可能的f按均匀分布对误差求和，有
∑fEote(a|X,f)
=∑f∑h∑x∈χXP(x)I(h(x)≠f(x))P(h|X,a)
=∑x∈χXP(x)∑hP(h|X,a)∑fI(h(x)≠f(x))
=∑x∈χXP(x)∑hP(h|X,a)122|χ|
=2|χ|1∑x∈χXP(x)∑hP(h|X,a)
=2|χ|1∑x∈χXP(x)1**
可以看到总误差竟与算法无关！
对于任何两个算法a和b都有
∑fEote(a|X,f)=∑fEote(b|X,f)
得证无论算法多好在没有实际背景情况下都不如随机胡猜。
所以，NFL定理最重要意义是，
在脱离实际意义情况下，
空泛地谈论哪种算法好毫无意义，
要谈论算法优劣必须针对具体学习问题