基本定义 强化学习的核心思想是通过机器与环境的交互来学习最优行为策略，最终目标是让机器在特定任务中获得最大的长期累积奖励 基本过程为机器处于一个环境中，观察当前的环境状态 x，选择并执行一个动...

基本型 每个样本可以对应到样本空间中的一个点，对应样本分类也就是找到一个超平面，将不同类别的样本划分开 超平面使用线性方程来表示 ωTx+b=0\omega^Tx+b=0 ωTx+b=0 假设...

聚类任务 聚类是无监督学习任务，样本的标记信息未知，聚类试图将数据集中的样本划分为若干个通常是不相交的子集，每个子集称为一个簇，聚类仅能自动形成簇结构，不一定具有明确的概念语义 聚类既可以作为...

个体与集成 集成学习将多个个体学习器的学习结果通过某种策略结合起来，每个个体学习器可以使用相同的学习算法，称为基学习器，也可以使用不同的学习算法 集成学习通常针对弱学习器进行，个体学习器应该...

贝叶斯决策论 贝叶斯判定准则：为最小化总体风险，只需在每个样本上选择那个能使条件风险最小的类别标记 h∗(x)=arg⁡min⁡c∈ΥR(c∣x)h^*(x)=\arg\min\limits_...

神经元模型 感知机与多层网络 感知机由两层神经元组成，包含输入层和输出层，只有输出层拥有激活函数 其中的权重和阈值可以通过学习得到，更一般地，将阈值看做一个固定输入为 -1 的哑节点的连接...

基本流程 决策树是基于树结构来进行分类，叶子节点对应决策结果，分支节点对应一个属性测试 决策树的递归过程有三种情况导致返回 当前节点包含的样本全部判定为同一类别，无需划分 当前属性集为空，或...

基本形式 对样本 x=(x1;x2;x3;...;xd)x=(x_1;x_2;x_3;...;x_d)x=(x1​;x2​;x3​;...;xd​)，有 f(xi)=ωTx+bf(x_i)=\...

基本术语 术语 说明 样本 对一个具体对象的描述 属性/特征 反映对象的性质 属性值 针对某个具体对象的特征取值 属性空间 将一个属性看做一个坐标轴，所有属性坐标轴张...