机器学习西瓜书（机器学习 周志华 pdf）

偏差-方差分解

1、其中第一项为偏差（Bias），是指一个模型的在不同训练集上的平均性能和最优模型的差异。偏差可以用来衡量一个模型的拟合能力；第二项是方差（Variance），是指一个模型在不同训练集上的差异，可以用来衡量一个模型是否容易过拟合。

2、以回归任务为例，学习算法的期望预测为： 使用样本数相同的不同训练集产生的方差为： 噪声为 期望输出与真实标记的差别称为偏差，即： 期望错误可以分解为 其中第一项为偏差（Bias），是指一个模型的在不同训练集上的平均性能和最优模型的差异。

3、方差分解：VAR模型的深度洞察让我们聚焦于一阶VAR模型，这是探索时间序列预测中重要的一环。（对于系数的深入理解，我们已知了它们的结构，并且在观测到 的数据基础上，我们有能力准确地预测每个 的未来值。）当我们把式（1）向前推进一步，预测的精度也随之提升。

4、偏差-方差分解是对学习算法的期望泛化错误率进行的分解。泛化误差可分解为偏差、方差与噪声之和。

机器学习该怎么入门?

1、监督学习和无监督学习 利用一组已知类别的样本调整分类器的参数，使其达到所要求性能的过程，也称为监督训练或有教师学习。正如人们通过已知病例学习诊断技术那样，计算机要通过学习才能具有识别各种事物和现象的能力。用来进行学习的材料就是与被识别对象属于同类的有限数量样本。

2、先看看相关的图书：要有好几本作为参考，最好是角度差异大、深浅程度不同，比如系统的导论式的、深入的有推导的、浅出的手把手的。它要充当不同学习过程中的工具书。

3、首先使用书籍、课程、视频来学习 Python 的基础知识 然后掌握不同的模块，比如 Pandas、Numpy、Matplotlib、NLP （自然语言处理），来处理、清理、绘图和理解数据。接着能够从网页抓取数据，无论是通过网站API，还是网页抓取模块Beautiful Soap。通过网页抓取可以收集数据，应用于机器学习算法。

4、对于零基础学习者，以下是一些建议：从基础开始：先掌握Python的基础语法和常用库，了解数据分析和处理的基本方法。推荐一些入门级的Python教程和书籍，如“Python编程：从入门到实践”、“流畅的Python”等。

深度学习和普通机器学习之间有何区别

应用场景不同：机器学习在指纹识别、特征物体检测等领域的应用基本达到了商业化的要求。深度学习主要应用于文字识别、人脸技术、语义分析、智能监控等领域。所需数据量不同：机器学习能够适应各种数据量，特别是数据量较小的场景。

深度学习与传统的机器学习最主要的区别在于随着数据规模的增加其性能也不断增长。当数据很少时，深度学习算法的性能并不好。这是因为深度学习算法需要大量的数据来完美地理解它。硬件依赖 深度学习算法需要进行大量的矩阵运算，GPU 主要用来高效优化矩阵运算，所以 GPU 是深度学习正常工作的必须硬件。

机器学习是一种实现人工智能的方法，深度学习是一种实现机器学习的技术。深度学习本来并不是一种独立的学习方法，其本身也会用到有监督和无监督的学习方法来训练深度神经网络。

算法的复杂性 机器学习和深度学习之间的主要区别之一是它们算法的复杂性。机器学习算法通常使用更简单和更线性的算法。相比之下，深度学习算法采用人工神经网络，允许更高级别的复杂性。所需数据量 深度学习使用人工神经网络与给定数据建立相关性和关系。