机器学习周志华笔记（机器学习 周志华）

机器学习-最全面的评价指标体系

全面解析机器学习的评价指标殿堂 在探索机器学习的世界中，2020年的你是否曾渴望记录项目经验？或许忙碌的工作和繁重的学习任务曾阻碍你的脚步。但不要担心，让我们一起回顾经典著作，如周志华的《机器学习》和MicroStrong的著作，以个人复习与分享为纽带，构建一套适用于各类场景的全面评价体系。

在评估机器学习算法的性能时，我们通常关注三个核心指标：准确率（accuracy）、精准率（precision）和召回率（recall）。首先，让我们来看看它们的定义：TP/： 实际为正样本且被正确预测为正的样本数，是衡量准确度的基石。FP/： 实际为负样本却被错误预测为正的样本数，它影响了精准度的计算。

机器学习评价指标 对于 机器学习 中 评价 模型 性能 的 指标 ，常用的有 准确率 、精度、 召回率 、P-R曲线、F1 分数、ROC、AUC以及混淆矩阵等。

机器学习模型评价指标及R实现 ROC曲线 考虑一个二分问题，即将实例分成正类（positive）或负类（negative）。对一个二分问题来说，会出现四种情况。如果一个实例是正类并且也被 预测成正类，即为真正类（True positive），如果实例是负类被预测成正类，称之为假正类（False positive）。

用来衡量二分类模型的指标有如下：准确率（Accuracy）正确预测的样本数占总样本数的比例。精确率（Precision）正确预测为正例的样本数占预测为正例的样本数的比例。召回率（Recall）正确预测为正例的样本数占实际为正例的样本数的比例。

机器学习中的关键评估指标：准确率、精确率、召回率、误报率与漏报率详解 在数据挖掘和机器学习的世界里，理解这些指标至关重要，它们是衡量模型性能的四个核心参数：准确率（Accuracy）： 表现了模型整体判断的正确性，即TP（真阳性）和TN（真阴性）占总样本的比例。

请问有没有纯小白入门机器学习的书籍?

机器学习 首先推荐的一本书的周志华的《机器学习》，网称西瓜书，这是机器学习领域的经典入门教材之一，是一本大而全的书！内容中有用到西瓜举例子。如果你之前真的没有接触过任何关于机器学习的知识，那么这本书大概可以作为你第一本入门书。

本书通过AI“小白”小冰拜师程序员咖哥学习机器学习的对话展开，内容轻松，实战性强，主要包括机器学习快速上手路径、数学和Python 基础知识、机器学习基础算法（线性回归和逻辑回归）、深度神经网络、卷积神经网络、循环神经网络、经典算法、集成学习、无监督和半监督等非监督学习类型、强化学习实战等内容，以及相关实战案例。

阶段七：数据分析 Python全栈开发与人工智能之数据分析学习内容包括：金融量化分析。阶段八：人工智能 Python全栈开发与人工智能之人工智能学习内容包括：机器学习、图形识别、无人机开发、无人驾驶等。

我当时看的是《简明python教程》，不过这本书不是非常适合零基础初学者。去找一个实际项目练手。我当时是因为要做一个网站，不得已要学python。这种条件下的效果比你平时学一门新语言要好很多。所以最好是要有真实的项目做。可以找几个同学一起做个网站之类。

什么7天精通机器学习、三个月精通人工智能，你自己敢信嘛？）学会融会贯通不同领域的知识，触类旁通、横向迁移，这样学起来才有越学越有通透的感觉，否则你只能增加笔记本的厚度，徒增烦恼罢了。

《南瓜书》周志华机器学习详细公式推导版?

“南瓜书”并非单纯复述，而是Datawhale团队成员基于自身学习经验的精华之作。它对250个关键公式进行了详尽的解析和推导，覆盖率达到惊人的99%，旨在解决学习者在机器学习中的数学难题，堪称“西瓜书”的完美伴侣，如同咖啡伴侣般不可或缺。

用xmind列思维导图 公式推导： 重难点，非常难，可以参考DataWhale出版的南瓜书，作者也推出了对应的视频课程，非常好用。前期学习的过程中，要做好笔记，尽量详细，以免后期再次推导公式的时候哪个步骤遗忘了的。

公式推导： 重难点，非常难，可以参考DataWhale出版的南瓜书，作者也推出了对应的视频课程，非常好用。前期学习的过程中，要做好笔记，尽量详细，以免后期再次推导公式的时候哪个步骤遗忘了。 下面这张表是我自己本人在考研期间用的时间计划表，大家可以参考一下希望对大家有所帮助。

高考毕业学编程,小白0基础Python学习路线?

1、Python编程软件安装 不推荐使用Pycharm，对初学者不友好 基础入门教程推荐 首先看《Python编程：从入门到实战》这本书。

2、以下是python全栈开发课程学习路线，可以按照这个课程大纲有规划的进行学习：阶段一：Python开发基础Python全栈开发与人工智能之Python开发基础知识学习内容包括：Python基础语法、数据类型、字符编码、文件操作、函数、装饰器、迭代器、内置方法、常用模块等。

3、新手学Python可以按照以下步骤进行： 按部就班敲代码 在Python的学习教程中，在讲到相应的语法规则的时候，必定有相应的案例，Python新手应按部就班的敲一遍代码，切记不可直接抄写，而是默写，然后进行对比，及时发现错误，并订正。

4、首先，需要确定好方向，现阶段python的职业方向大体分为：Web方向、爬虫&数据采集、数据分析&数据挖掘、自动化、机器学习等，可根据自身实际需求选择，然后坚持到底，毕竟学习都是一个枯燥的过程，只有不断积累的“量变”才能成为程序大佬的“质变”。

5、选择好方向 Python的应用方向很广。在Python基础知识学完之后，如果应用方向不同，要学习的东西也会大不同。比如选择Web开发，那你就要在学完Python基础知识后，继续学numpy、pandas等知识，每个方向的学习重点都不一样，其实没必要全部都掌握的透透的，基本上了解一下就够了。

以下哪些选项是模型中的超参数

通常所述的模型调参，是指算法的“超参数”，可以理解为模型的“外部参数”；周志华老师在机器学习一书中对于“超参数”的定义是：“超参数”是指算法的参数，数目通常在10以内。比如决策树模型中的最大深度、结点划分的最小样本数等，通过人工设定这类参数的具体数值即产生模型。

隐藏层大小：隐藏层的大小是LSTM模型中最重要的超参数之一。一般来说，隐藏层的大小应该根据数据集的大小和复杂性来确定。如果数据集很大且复杂，那么可能需要更大的隐藏层来捕捉更多的信息。然而，过大的隐藏层可能会导致过拟合问题。学习率：学习率决定了模型在训练过程中权重更新的速度。

随机搜索：与网格搜索类似，但是只随机选择一部分候选值进行评估。这种方法可以在超参数空间较大时更高效。贝叶斯优化：使用贝叶斯方法建立超参数与模型性能之间的概率模型，并通过不断更新模型来选择最优超参数。这种方法可以在较少的迭代次数内找到较好的超参数。

自从接触了机器学习后，在很多地方如书籍和文献中经常会看到有一类参数叫超参数（hyperparameter），其中提超参数最多的地方是在支持向量机（SVM）和深度学习（Deep Learning）中，比如支持向量机中的松弛因子：上式中的C就是松弛因子，这个参数在支持向量机中不像参数W那样，可以通过优化学习得到。

它是超参数。超参数是指在训练模型之前需要手动设置的参数，它们不同于模型的内部参数，如权重和偏差等，这些内部参数是由模型自行学习得到的。超参数的值通常通过试验和调整来找到最优值，以最大化模型性能。在神经网络中，权重是连接不同神经元之间的参数，其值可以影响模型的准确性和泛化能力。

步长是指数值型数据在每次迭代中更新的幅度，通常表示为一个小数。步长值的大小直接影响到最终模型的准确度和收敛速度。一般情况下，步长应该在0到1之间，过大的步长可能会导致模型发散，过小的步长则会使模型收敛缓慢。在机器学习算法中，步长是模型的重要超参数之一。

南大周志华老师的机器学习和深度学习「花书」这两本书的区别以及学习顺...

深度解析：《机器学习》与《深度学习》花书的异同及学习路径在探索机器学习和深度学习的海洋中，南大周志华老师推荐的《机器学习》（花书）和《深度学习》（西瓜书）各有千秋/。这两本书在教学资源的整合上有着独特的价值，但学习路径并非孤立，而是需要巧妙结合其他课程以深化理解。

两者区别有应用场景不同、所需数据量不同。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。

机器学习和深度学习的区别在于深度学习是一种特殊的机器学习方法，它利用深层神经网络模型进行学习，可以处理更复杂的数据和任务。而传统的机器学习方法更侧重于特征提取、模型选择等方面。

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。