2-推荐系统之机器学习基础

1.机器学习的主要分类

• **有监督学习：**提供数据并提供数据对应结果的机器学习过程
  • 包含
    1. 分类
    2. 回归
• 无监督学习：提供数据并且不提供数据对应结果的机器学习过程
  • 包含
    1. 聚类
    2. 分组
• 强化学习: 通过与环境交互并获取延迟返回进而改进行为的学习过程

2.监督学习三要素

• 模型

  总结数据的内在规律，用数学函数描述的系统

• 策略

  选取最优模型的评价准则

• 算法

3.模型评估策略

• 模型评估

1. 训练集和测试集
2. **损失函数：**用来衡量模型预测误差的大小
3. **经验风险：**模型f(x)关于训练数据集的平均损失称为经验风险
4. 训练误差与测试误差
5. 过拟合与欠拟合
6. 正则化：
   • 结构风险最小化（SRM）
     • 在ERM的基础上，防止过拟合提出的策略
     • 在经验风险上加上表示模型复杂度的正则化项，或者叫惩罚项
     • 正则化项目一般是模型复杂度的单调递增函数，即模型越复杂，正则化值越大
     • 结构风险最小化的典型例子就是正则化。

• 交叉验证

4.精准率与召回率

• 精准率

P = TP/（TP + FP）

精确率是指“所有预测为正类的数据中，预测正确的比例”

• 召回率

R = TP/(TP + FN)

召回率是指“所有实际为正类的数据中，被正确预测找出的比例”