來(lái)源：尤而小屋 R語(yǔ)言統(tǒng)計(jì)與繪圖本文約5500字，建議閱讀11分鐘本文梳理了機(jī)器學(xué)習(xí)最常見(jiàn)的知識(shí)要點(diǎn)。

圖解機(jī)器學(xué)習(xí)算法系列 以圖解的生動(dòng)方式，闡述機(jī)器學(xué)習(xí)核心知識(shí) & 重要模型，并通過(guò)代碼講通應(yīng)用細(xì)節(jié)。

1. 機(jī)器學(xué)習(xí)概述

1）什么是機(jī)器學(xué)習(xí)

人工智能（Artificial intelligence）是研究、開(kāi)發(fā)用于模擬、延伸和擴(kuò)展人的智能的理論、方法、技術(shù)及應(yīng)用系統(tǒng)的一門新的技術(shù)科學(xué)。它是一個(gè)籠統(tǒng)而寬泛的概念，人工智能的最終目標(biāo)是使計(jì)算機(jī)能夠模擬人的思維方式和行為。

大概在上世紀(jì)50年代，人工智能開(kāi)始興起，但是受限于數(shù)據(jù)和硬件設(shè)備等限制，當(dāng)時(shí)發(fā)展緩慢。

機(jī)器學(xué)習(xí)（Machine learning）是人工智能的子集，是實(shí)現(xiàn)人工智能的一種途徑，但并不是唯一的途徑。它是一門專門研究計(jì)算機(jī)怎樣模擬或?qū)崿F(xiàn)人類的學(xué)習(xí)行為，以獲取新的知識(shí)或技能，重新組織已有的知識(shí)結(jié)構(gòu)使之不斷改善自身的性能的學(xué)科。大概在上世紀(jì)80年代開(kāi)始蓬勃發(fā)展，誕生了一大批數(shù)學(xué)統(tǒng)計(jì)相關(guān)的機(jī)器學(xué)習(xí)模型。

深度學(xué)習(xí)（Deep learning）是機(jī)器學(xué)習(xí)的子集，靈感來(lái)自人腦，由人工神經(jīng)網(wǎng)絡(luò)（ANN）組成，它模仿人腦中存在的相似結(jié)構(gòu)。在深度學(xué)習(xí)中，學(xué)習(xí)是通過(guò)相互關(guān)聯(lián)的「神經(jīng)元」的一個(gè)深層的、多層的「網(wǎng)絡(luò)」來(lái)進(jìn)行的。「深度」一詞通常指的是神經(jīng)網(wǎng)絡(luò)中隱藏層的數(shù)量。大概在2012年以后爆炸式增長(zhǎng)，廣泛應(yīng)用在很多的場(chǎng)景中。

讓我們看看國(guó)外知名學(xué)者對(duì)機(jī)器學(xué)習(xí)的定義：

機(jī)器學(xué)習(xí)研究的是計(jì)算機(jī)怎樣模擬人類的學(xué)習(xí)行為，以獲取新的知識(shí)或技能，并重新組織已有的知識(shí)結(jié)構(gòu)，使之不斷改善自身。

從實(shí)踐的意義上來(lái)說(shuō)，機(jī)器學(xué)習(xí)是在大數(shù)據(jù)的支撐下，通過(guò)各種算法讓機(jī)器對(duì)數(shù)據(jù)進(jìn)行深層次的統(tǒng)計(jì)分析以進(jìn)行「自學(xué)」，使得人工智能系統(tǒng)獲得了歸納推理和決策能力。

通過(guò)經(jīng)典的 垃圾郵件過(guò)濾 應(yīng)用，我們?cè)賮?lái)理解下機(jī)器學(xué)習(xí)的原理，以及定義中的T、E、P分別指代什么：

2）機(jī)器學(xué)習(xí)三要素

機(jī)器學(xué)習(xí)三要素包括數(shù)據(jù)、模型、算法。這三要素之間的關(guān)系，可以用下面這幅圖來(lái)表示：

（1）數(shù)據(jù)

數(shù)據(jù)驅(qū)動(dòng)：數(shù)據(jù)驅(qū)動(dòng)指的是我們基于客觀的量化數(shù)據(jù)，通過(guò)主動(dòng)數(shù)據(jù)的采集分析以支持決策。與之相對(duì)的是經(jīng)驗(yàn)驅(qū)動(dòng)，比如我們常說(shuō)的「拍腦袋」。

（2）模型&算法

模型：在AI數(shù)據(jù)驅(qū)動(dòng)的范疇內(nèi)，模型指的是基于數(shù)據(jù)X做決策Y的假設(shè)函數(shù)，可以有不同的形態(tài)，計(jì)算型和規(guī)則型等。

算法：指學(xué)習(xí)模型的具體計(jì)算方法。統(tǒng)計(jì)學(xué)習(xí)基于訓(xùn)練數(shù)據(jù)集，根據(jù)學(xué)習(xí)策略，從假設(shè)空間中選擇最優(yōu)模型，最后需要考慮用什么樣的計(jì)算方法求解最優(yōu)模型。通常是一個(gè)最優(yōu)化的問(wèn)題。

3）機(jī)器學(xué)習(xí)發(fā)展歷程

人工智能一詞最早出現(xiàn)于1956年，用于探索一些問(wèn)題的有效解決方案。1960年，美國(guó)國(guó)防部借助「神經(jīng)網(wǎng)絡(luò)」這一概念，訓(xùn)練計(jì)算機(jī)模仿人類的推理過(guò)程。

2010年之前，谷歌、微軟等科技巨頭改進(jìn)了機(jī)器學(xué)習(xí)算法，將查詢的準(zhǔn)確度提升到了新的高度。而后，隨著數(shù)據(jù)量的增加、先進(jìn)的算法、計(jì)算和存儲(chǔ)容量的提高，機(jī)器學(xué)習(xí)得到了更進(jìn)一步的發(fā)展。

4）機(jī)器學(xué)習(xí)核心技術(shù)

分類：應(yīng)用以分類數(shù)據(jù)進(jìn)行模型訓(xùn)練，根據(jù)模型對(duì)新樣本進(jìn)行精準(zhǔn)分類與預(yù)測(cè)。

聚類：從海量數(shù)據(jù)中識(shí)別數(shù)據(jù)的相似性與差異性，并按照最大共同點(diǎn)聚合為多個(gè)類別。

異常檢測(cè)：對(duì)數(shù)據(jù)點(diǎn)的分布規(guī)律進(jìn)行分析，識(shí)別與正常數(shù)據(jù)及差異較大的離群點(diǎn)。

回歸：根據(jù)對(duì)已知屬性值數(shù)據(jù)的訓(xùn)練，為模型尋找最佳擬合參數(shù)，基于模型預(yù)測(cè)新樣本的輸出值。

5）機(jī)器學(xué)習(xí)基本流程

機(jī)器學(xué)習(xí)工作流（WorkFlow）包含數(shù)據(jù)預(yù)處理（Processing）、模型學(xué)習(xí)（Learning）、模型評(píng)估（Evaluation）、新樣本預(yù)測(cè)（Prediction）幾個(gè)步驟。

數(shù)據(jù)預(yù)處理：輸入（未處理的數(shù)據(jù) + 標(biāo)簽）→處理過(guò)程（特征處理+幅度縮放、特征選擇、維度約減、采樣）→輸出（測(cè)試集 + 訓(xùn)練集）。

模型學(xué)習(xí)：模型選擇、交叉驗(yàn)證、結(jié)果評(píng)估、超參選擇。

模型評(píng)估：了解模型對(duì)于數(shù)據(jù)集測(cè)試的得分。

新樣本預(yù)測(cè)：預(yù)測(cè)測(cè)試集。

6）機(jī)器學(xué)習(xí)應(yīng)用場(chǎng)景

作為一套數(shù)據(jù)驅(qū)動(dòng)的方法，機(jī)器學(xué)習(xí)已廣泛應(yīng)用于數(shù)據(jù)挖掘、計(jì)算機(jī)視覺(jué)、自然語(yǔ)言處理、生物特征識(shí)別、搜索引擎、醫(yī)學(xué)診斷、檢測(cè)信用卡欺詐、證券市場(chǎng)分析、DNA序列測(cè)序、語(yǔ)音和手寫識(shí)別和機(jī)器人等領(lǐng)域。

智能醫(yī)療：智能假肢、外骨骼、醫(yī)療保健機(jī)器人、手術(shù)機(jī)器人、智能健康管理等。

人臉識(shí)別：門禁系統(tǒng)、考勤系統(tǒng)、人臉識(shí)別防盜門、電子護(hù)照及身份證，還可以利用人臉識(shí)別系統(tǒng)和網(wǎng)絡(luò)，在全國(guó)范圍內(nèi)搜捕逃犯。

機(jī)器人的控制領(lǐng)域：工業(yè)機(jī)器人、機(jī)械臂、多足機(jī)器人、掃地機(jī)器人、無(wú)人機(jī)等。

2.機(jī)器學(xué)習(xí)基本名詞

監(jiān)督學(xué)習(xí)（Supervised Learning）：訓(xùn)練集有標(biāo)記信息，學(xué)習(xí)方式有分類和回歸。

無(wú)監(jiān)督學(xué)習(xí)（Unsupervised Learning）：訓(xùn)練集沒(méi)有標(biāo)記信息，學(xué)習(xí)方式有聚類和降維。

強(qiáng)化學(xué)習(xí)（Reinforcement Learning）：有延遲和稀疏的反饋標(biāo)簽的學(xué)習(xí)方式。

示例/樣本：上面一條數(shù)據(jù)集中的一條數(shù)據(jù)。

屬性/特征：「色澤」「根蒂」等。

屬性空間/樣本空間/輸入空間X：由全部屬性張成的空間。

特征向量：空間中每個(gè)點(diǎn)對(duì)應(yīng)的一個(gè)坐標(biāo)向量。

標(biāo)記：關(guān)于示例結(jié)果的信息，如（（色澤=青綠，根蒂=蜷縮，敲聲=濁響），好瓜），其中「好瓜」稱為標(biāo)記。

分類：若要預(yù)測(cè)的是離散值，如「好瓜」，「壞瓜」，此類學(xué)習(xí)任務(wù)稱為分類。

假設(shè)：學(xué)得模型對(duì)應(yīng)了關(guān)于數(shù)據(jù)的某種潛在規(guī)律。

真相：潛在規(guī)律自身。

學(xué)習(xí)過(guò)程：是為了找出或逼近真相。

泛化能力：學(xué)得模型適用于新樣本的能力。一般來(lái)說(shuō)，訓(xùn)練樣本越大，越有可能通過(guò)學(xué)習(xí)來(lái)獲得具有強(qiáng)泛化能力的模型。

3.機(jī)器學(xué)習(xí)算法分類

1）機(jī)器學(xué)習(xí)算法依托的問(wèn)題場(chǎng)景

機(jī)器學(xué)習(xí)在近30多年已發(fā)展為一門多領(lǐng)域交叉學(xué)科，涉及概率論、統(tǒng)計(jì)學(xué)、逼近論、凸分析、計(jì)算復(fù)雜性理論等多門學(xué)科。機(jī)器學(xué)習(xí)理論主要是設(shè)計(jì)和分析一些讓計(jì)算機(jī)可以自動(dòng)「學(xué)習(xí)」的算法。

機(jī)器學(xué)習(xí)算法從數(shù)據(jù)中自動(dòng)分析獲得規(guī)律，并利用規(guī)律對(duì)未知數(shù)據(jù)進(jìn)行預(yù)測(cè)。

機(jī)器學(xué)習(xí)理論

機(jī)器學(xué)習(xí)最主要的類別有：監(jiān)督學(xué)習(xí)、無(wú)監(jiān)督學(xué)習(xí)和強(qiáng)化學(xué)習(xí)。

監(jiān)督學(xué)習(xí)：從給定的訓(xùn)練數(shù)據(jù)集中學(xué)習(xí)出一個(gè)函數(shù)，當(dāng)新的數(shù)據(jù)到來(lái)時(shí)，可以根據(jù)這個(gè)函數(shù)預(yù)測(cè)結(jié)果。監(jiān)督學(xué)習(xí)的訓(xùn)練集要求是包括輸入和輸出，也可以說(shuō)是特征和目標(biāo)。訓(xùn)練集中的目標(biāo)是由人標(biāo)注的。常見(jiàn)的監(jiān)督學(xué)習(xí)算法包括回歸分析和統(tǒng)計(jì)分類。

更多監(jiān)督學(xué)習(xí)的算法模型總結(jié)，可以查看ShowMeAI的文章 AI知識(shí)技能速查 | 機(jī)器學(xué)習(xí)-監(jiān)督學(xué)習(xí)（公眾號(hào)不能跳轉(zhuǎn)，本文鏈接見(jiàn)文末）。

無(wú)監(jiān)督學(xué)習(xí)：與監(jiān)督學(xué)習(xí)相比，訓(xùn)練集沒(méi)有人為標(biāo)注的結(jié)果。常見(jiàn)的無(wú)監(jiān)督學(xué)習(xí)算法有生成對(duì)抗網(wǎng)絡(luò)（GAN）、聚類。

更多無(wú)監(jiān)督學(xué)習(xí)的算法模型總結(jié)可以查看ShowMeAI的文章 AI知識(shí)技能速查 | 機(jī)器學(xué)習(xí)-無(wú)監(jiān)督學(xué)習(xí)。

強(qiáng)化學(xué)習(xí)：通過(guò)觀察來(lái)學(xué)習(xí)做成如何的動(dòng)作。每個(gè)動(dòng)作都會(huì)對(duì)環(huán)境有所影響，學(xué)習(xí)對(duì)象根據(jù)觀察到的周圍環(huán)境的反饋來(lái)做出判斷。

2）分類問(wèn)題

分類問(wèn)題是機(jī)器學(xué)習(xí)非常重要的一個(gè)組成部分。它的目標(biāo)是根據(jù)已知樣本的某些特征，判斷一個(gè)新的樣本屬于哪種已知的樣本類。分類問(wèn)題可以細(xì)分如下：

二分類問(wèn)題：表示分類任務(wù)中有兩個(gè)類別新的樣本屬于哪種已知的樣本類。

多類分類（Multiclass classification）問(wèn)題：表示分類任務(wù)中有多類別。

多標(biāo)簽分類（Multilabel classification）問(wèn)題：給每個(gè)樣本一系列的目標(biāo)標(biāo)簽。

了解更多機(jī)器學(xué)習(xí)分類算法：KNN算法、邏輯回歸算法、樸素貝葉斯算法、決策樹(shù)模型、隨機(jī)森林分類模型、GBDT模型、XGBoost模型、支持向量機(jī)模型等。（公眾號(hào)不能跳轉(zhuǎn)，本文鏈接見(jiàn)文末）

3）回歸問(wèn)題

了解更多機(jī)器學(xué)習(xí)回歸算法：決策樹(shù)模型、隨機(jī)森林分類模型、GBDT模型、回歸樹(shù)模型、支持向量機(jī)模型等。

4）聚類問(wèn)題

了解更多機(jī)器學(xué)習(xí)聚類算法：聚類算法。

5）降維問(wèn)題

了解更多機(jī)器學(xué)習(xí)降維算法：PCA降維算法。

4.機(jī)器學(xué)習(xí)模型評(píng)估與選擇

1）機(jī)器學(xué)習(xí)與數(shù)據(jù)擬合

機(jī)器學(xué)習(xí)最典型的監(jiān)督學(xué)習(xí)為分類與回歸問(wèn)題。分類問(wèn)題中，我們學(xué)習(xí)出來(lái)一條「決策邊界」完成數(shù)據(jù)區(qū)分；在回歸問(wèn)題中，我們學(xué)習(xí)出擬合樣本分布的曲線。

2）訓(xùn)練集與數(shù)據(jù)集

我們以房?jī)r(jià)預(yù)估為例，講述一下涉及的概念。

訓(xùn)練集（Training Set）：幫助訓(xùn)練模型，簡(jiǎn)單的說(shuō)就是通過(guò)訓(xùn)練集的數(shù)據(jù)讓確定擬合曲線的參數(shù)。

測(cè)試集（Test Set）：為了測(cè)試已經(jīng)訓(xùn)練好的模型的精確度。

當(dāng)然，test set這并不能保證模型的正確性，只是說(shuō)相似的數(shù)據(jù)用此模型會(huì)得出相似的結(jié)果。因?yàn)樵谟?xùn)練模型的時(shí)候，參數(shù)全是根據(jù)現(xiàn)有訓(xùn)練集里的數(shù)據(jù)進(jìn)行修正、擬合，有可能會(huì)出現(xiàn)過(guò)擬合的情況，即這個(gè)參數(shù)僅對(duì)訓(xùn)練集里的數(shù)據(jù)擬合比較準(zhǔn)確，這個(gè)時(shí)候再有一個(gè)數(shù)據(jù)需要利用模型預(yù)測(cè)結(jié)果，準(zhǔn)確率可能就會(huì)很差。

3）經(jīng)驗(yàn)誤差

在訓(xùn)練集的數(shù)據(jù)上進(jìn)行學(xué)習(xí)。模型在訓(xùn)練集上的誤差稱為「經(jīng)驗(yàn)誤差」（Empirical Error）。但是經(jīng)驗(yàn)誤差并不是越小越好，因?yàn)槲覀兿Ｍ谛碌臎](méi)有見(jiàn)過(guò)的數(shù)據(jù)上，也能有好的預(yù)估結(jié)果。

4）過(guò)擬合

過(guò)擬合，指的是模型在訓(xùn)練集上表現(xiàn)的很好，但是在交叉驗(yàn)證集合測(cè)試集上表現(xiàn)一般，也就是說(shuō)模型對(duì)未知樣本的預(yù)測(cè)表現(xiàn)一般，泛化（Generalization）能力較差。

如何防止過(guò)擬合呢？一般的方法有Early Stopping、數(shù)據(jù)集擴(kuò)增（Data Augmentation）、正則化、Dropout等。

正則化：指的是在目標(biāo)函數(shù)后面添加一個(gè)正則化項(xiàng)，一般有L1正則化與L2正則化。L1正則是基于L1范數(shù)，即在目標(biāo)函數(shù)后面加上參數(shù)的L1范數(shù)和項(xiàng)，即參數(shù)絕對(duì)值和與參數(shù)的積項(xiàng)。

數(shù)據(jù)集擴(kuò)增：即需要得到更多的符合要求的數(shù)據(jù)，即和已有的數(shù)據(jù)是獨(dú)立同分布的，或者近似獨(dú)立同分布的。一般方法有：從數(shù)據(jù)源頭采集更多數(shù)據(jù)、復(fù)制原有數(shù)據(jù)并加上隨機(jī)噪聲、重采樣、根據(jù)當(dāng)前數(shù)據(jù)集估計(jì)數(shù)據(jù)分布參數(shù)，使用該分布產(chǎn)生更多數(shù)據(jù)等。

DropOut：通過(guò)修改神經(jīng)網(wǎng)絡(luò)本身結(jié)構(gòu)來(lái)實(shí)現(xiàn)的。

5）偏差

偏差（Bias），它通常指的是模型擬合的偏差程度。給定無(wú)數(shù)套訓(xùn)練集而期望擬合出來(lái)的模型就是平均模型。偏差就是真實(shí)模型和平均模型的差異。

簡(jiǎn)單模型是一組直線，平均之后得到的平均模型是一條直的虛線，與真實(shí)模型曲線的差別較大（灰色陰影部分較大）。因此，簡(jiǎn)單模型通常高偏差。

復(fù)雜模型是一組起伏很大波浪線，平均之后最大值和最小組都會(huì)相互抵消，和真實(shí)模型的曲線差別較小，因此復(fù)雜模型通常低偏差（見(jiàn)黃色曲線和綠色虛線幾乎重合）。

6）方差

方差（Variance），它通常指的是模型的平穩(wěn)程度（簡(jiǎn)單程度）。簡(jiǎn)單模型的對(duì)應(yīng)的函數(shù)如出一轍，都是水平直線，而且平均模型的函數(shù)也是一條水平直線，因此簡(jiǎn)單模型的方差很小，并且對(duì)數(shù)據(jù)的變動(dòng)不敏感。

復(fù)雜模型的對(duì)應(yīng)的函數(shù)千奇百怪，毫無(wú)任何規(guī)則，但平均模型的函數(shù)也是一條平滑的曲線，因此復(fù)雜模型的方差很大，并且對(duì)數(shù)據(jù)的變動(dòng)很敏感。

7）偏差與方差的平衡

8）性能度量指標(biāo)

性能度量是衡量模型泛化能力的數(shù)值評(píng)價(jià)標(biāo)準(zhǔn)，反映了當(dāng)前問(wèn)題（任務(wù)需求）。使用不同的性能度量可能會(huì)導(dǎo)致不同的評(píng)判結(jié)果。更詳細(xì)的內(nèi)容可見(jiàn) 模型評(píng)估方法與準(zhǔn)則（鏈接見(jiàn)文末）。

（1）回歸問(wèn)題

關(guān)于模型「好壞」的判斷，不僅取決于算法和數(shù)據(jù)，還取決于當(dāng)前任務(wù)需求。回歸問(wèn)題常用的性能度量指標(biāo)有：平均絕對(duì)誤差、均方誤差、均方根誤差、R平方等。

平均絕對(duì)誤差（Mean Absolute Error，MAE），又叫平均絕對(duì)離差，是所有標(biāo)簽值與回歸模型預(yù)測(cè)值的偏差的絕對(duì)值的平均。

平均絕對(duì)百分誤差（Mean Absolute Percentage Error，MAPE）是對(duì)MAE的一種改進(jìn)，考慮了絕對(duì)誤差相對(duì)真實(shí)值的比例。

均方誤差（Mean Square Error，MSE）相對(duì)于平均絕對(duì)誤差而言，均方誤差求的是所有標(biāo)簽值與回歸模型預(yù)測(cè)值的偏差的平方的平均。

均方根誤差（Root-Mean-Square Error，RMSE），也稱標(biāo)準(zhǔn)誤差，是在均方誤差的基礎(chǔ)上進(jìn)行開(kāi)方運(yùn)算。RMSE會(huì)被用來(lái)衡量觀測(cè)值同真值之間的偏差。

R平方，決定系數(shù)，反映因變量的全部變異能通過(guò)目前的回歸模型被模型中的自變量解釋的比例。比例越接近于1，表示當(dāng)前的回歸模型對(duì)數(shù)據(jù)的解釋越好，越能精確描述數(shù)據(jù)的真實(shí)分布。

（2）分類問(wèn)題

分類問(wèn)題常用的性能度量指標(biāo)包括錯(cuò)誤率（Error Rate）、精確率（Accuracy）、查準(zhǔn)率（Precision）、查全率（Recall）、F1、ROC曲線、AUC曲線和R平方等。更詳細(xì)的內(nèi)容可見(jiàn) 模型評(píng)估方法與準(zhǔn)則（鏈接見(jiàn)文末）。

錯(cuò)誤率：分類錯(cuò)誤的樣本數(shù)占樣本總數(shù)的比例。

精確率：分類正確的樣本數(shù)占樣本總數(shù)的比例。

查準(zhǔn)率（也稱準(zhǔn)確率），即在檢索后返回的結(jié)果中，真正正確的個(gè)數(shù)占你認(rèn)為是正確的結(jié)果的比例。

查全率（也稱召回率），即在檢索結(jié)果中真正正確的個(gè)數(shù)，占整個(gè)數(shù)據(jù)集（檢索到的和未檢索到的）中真正正確個(gè)數(shù)的比例。

F1是一個(gè)綜合考慮查準(zhǔn)率與查全率的度量，其基于查準(zhǔn)率與查全率的調(diào)和平均定義：即：F1度量的一般形式-Fβ，能讓我們表達(dá)出對(duì)查準(zhǔn)率、查全率的不同偏好。

ROC曲線（Receiver Operating Characteristic Curve）全稱是「受試者工作特性曲線」。綜合考慮了概率預(yù)測(cè)排序的質(zhì)量，體現(xiàn)了學(xué)習(xí)器在不同任務(wù)下的「期望泛化性能」的好壞。ROC曲線的縱軸是「真正例率」（TPR），橫軸是「假正例率」（FPR）。

AUC（Area Under ROC Curve）是ROC曲線下面積，代表了樣本預(yù)測(cè)的排序質(zhì)量。

從一個(gè)比較高的角度來(lái)認(rèn)識(shí)AUC：仍然以異常用戶的識(shí)別為例，高的AUC值意味著，模型在能夠盡可能多地識(shí)別異常用戶的情況下，仍然對(duì)正常用戶有著一個(gè)較低的誤判率（不會(huì)因?yàn)闉榱俗R(shí)別異常用戶，而將大量的正常用戶給誤判為異常。

9）評(píng)估方法

我們手上沒(méi)有未知的樣本，如何可靠地評(píng)估？關(guān)鍵是要獲得可靠的「測(cè)試集數(shù)據(jù)」（Test Set），即測(cè)試集（用于評(píng)估）應(yīng)該與訓(xùn)練集（用于模型學(xué)習(xí)）「互斥」。

常見(jiàn)的評(píng)估方法有：留出法（Hold-out）、交叉驗(yàn)證法（ Cross Validation）、自助法（Bootstrap）。更詳細(xì)的內(nèi)容可見(jiàn) 模型評(píng)估方法與準(zhǔn)則（鏈接見(jiàn)文末）。

留出法（Hold-out）是機(jī)器學(xué)習(xí)中最常見(jiàn)的評(píng)估方法之一，它會(huì)從訓(xùn)練數(shù)據(jù)中保留出驗(yàn)證樣本集，這部分?jǐn)?shù)據(jù)不用于訓(xùn)練，而用于模型評(píng)估。

機(jī)器學(xué)習(xí)中，另外一種比較常見(jiàn)的評(píng)估方法是交叉驗(yàn)證法（Cross Validation）。k 折交叉驗(yàn)證對(duì) k 個(gè)不同分組訓(xùn)練的結(jié)果進(jìn)行平均來(lái)減少方差，因此模型的性能對(duì)數(shù)據(jù)的劃分就不那么敏感，對(duì)數(shù)據(jù)的使用也會(huì)更充分，模型評(píng)估結(jié)果更加穩(wěn)定。

自助法（Bootstrap）是一種用小樣本估計(jì)總體值的一種非參數(shù)方法，在進(jìn)化和生態(tài)學(xué)研究中應(yīng)用十分廣泛。

Bootstrap通過(guò)有放回抽樣生成大量的偽樣本，通過(guò)對(duì)偽樣本進(jìn)行計(jì)算，獲得統(tǒng)計(jì)量的分布，從而估計(jì)數(shù)據(jù)的整體分布。

10）模型調(diào)優(yōu)與選擇準(zhǔn)則

我們希望找到對(duì)當(dāng)前問(wèn)題表達(dá)能力好，且模型復(fù)雜度較低的模型：

表達(dá)力好的模型，可以較好地對(duì)訓(xùn)練數(shù)據(jù)中的規(guī)律和模式進(jìn)行學(xué)習(xí)；復(fù)雜度低的模型，方差較小，不容易過(guò)擬合，有較好的泛化表達(dá)。

11）如何選擇最優(yōu)的模型

（1）驗(yàn)證集評(píng)估選擇

切分?jǐn)?shù)據(jù)為訓(xùn)練集和驗(yàn)證集。對(duì)于準(zhǔn)備好的候選超參數(shù)，在訓(xùn)練集上進(jìn)行模型，在驗(yàn)證集上評(píng)估。

（2）網(wǎng)格搜索/隨機(jī)搜索交叉驗(yàn)證

通過(guò)網(wǎng)格搜索/隨機(jī)搜索產(chǎn)出候選的超參數(shù)組。對(duì)參數(shù)組的每一組超參數(shù)，使用交叉驗(yàn)證評(píng)估效果。選出效果最好的超參數(shù)。

（3）貝葉斯優(yōu)化

基于貝葉斯優(yōu)化的超參數(shù)調(diào)優(yōu)。