基础知识

机器学习类型 Link to heading

### 监督学习

- 分类
- 回归

### 非监督学习

- 聚类

### 强化学习

- 有延迟和稀疏的反馈标签的学习方式

### 积极学习

- 一劳永逸
- 训练时间长

### 消极学习

- 需要的存储空间比较大
- 决策过程比较慢

分类问题 Link to heading

#### 二分类问题
  - 垃圾邮件，正常邮件
#### 多类分类问题
  - 手写数字识别
#### 多标签分类问题 
  - 音乐分类（一首歌多个可以有标签）

数据处理 Link to heading

归一化 Link to heading

归一化是指将数据集中的每个特征的最大值缩放到 1，最小值缩放到 0。

标准化 Link to heading

标准化其实就是z-score归一化，也就是说标准化其实是归一化的一种。

量纲是指数据的单位，比如长度、重量、时间等。

标准化是指将数据集中的每个特征的均值移动到 0，方差缩放到 1。 标准化的目的是消除特征之间的量纲差异，使得模型更容易学习到特征之间的关系。

对于一个特征 $x$，它的标准化公式为：

中心化 Link to heading

中心化是指将数据集中的每个特征的均值移动到 0。
中心化的目的是消除特征之间的偏差，使得模型更容易学习到特征之间的关系。

对于一个特征 $x$，它的中心化公式为：

$$

x_{\text{centered}} = x - \bar{x}

$$

附录 Link to heading

• 归一化基础知识点