1.1 统计学习
统计学习方法的步骤
得到一个有限的训练数据集合
确定学习模型的集合
确定模型选择的准则
实现求解最优模型的算法
通过学习方法选择最优模型
利用学习的最优模型对新数据进行预测或分析
1.2 统计学习方法的分类
基本分类
监督学习
无监督学习
强化学习
按模型分类
概率模型和非概率模型
线性模型和非线性模型
参数化模型和非参数化模型
按技巧分类
贝叶斯学习
核方法
按算法分类
在线学习
批量学习
1.2.1 基本分类
监督学习：
监督学习(Supervised learning) 是指从标注数据中学习预测模型的机器学习问题，其本质是学习输入到输出的映射的统计规律
输入空间
输入的所有可能取值的集合
实例(instance)
每一个具体的输入，通常由特征向量(Feature vector)表示
特征空间
所有特征向量存在的空间
输出空间
输出的所有可能的集合
根据变量类型的不同：
输入变量与输出变量为连续变量的预测问题 回归问题
输出变量为有限个离散变量的预测问题 分类问题
输入变量与输出变量均为变量序列的预测问题 标注问题
监督学习的基本假设：X 和 Y 具有联合概率分布 P(X,Y)
监督学习的目的：学习一个输入到输出的映射，这一映射以模型表示
模型的形式：条件概率分布P(Y∣X)或决策函数 Y=f(X)
假设空间：所有这些可能模型的集合
监督学习的流程图：
示
模型的形式：条件概率分布P(Y∣X)或决策函数 Y=f(X)
假设空间：所有这些可能模型的集合
监督学习的流程图：
