很多东西看了就忘。一定要好好做笔记。
本节主要记录《机器学习基石》的常见符号。
基础符号
输入： $ x X $ 输出： $y Y $ 目标函数： $f:XY $ （理想中的，实际得不到） 假设函数：$g:XY $ ，又称为hypothesis（学习到的g，希望跟f越像越好） $g H $ 假设函数集合：$H = \{h_k\} $ hypothesis set 训练集：\(D=\\{(x_1,y_1),...,(x_N,y_N)\\}\) 机器学习演算法：\(A\)
机器学习流程
- 从数据集D出发
- 通过演算法A，来计算出一个g，使得g很接近f
误差E
不知道为什么公式显示不出来，只好手动展图了 输入误差： 
\[E_{in}(h)=\frac{1}{N} \sum_{n=1}^N(h(x_n)-y_n)^2\]
- 样本（训练集）中出现的错误率
输出误差： 
\[E_{out}(h)=\mathcal{E}_{(x,y)\text~P}(w^Tx-y)^2\]
- 总体（测试集+训练集）中出现的错误率