【这些都很自然，也很好理解，对数据进行规律化数据化，所列举的数据可以用二维数组表示】

若想预测是否为好瓜前面的数据不够，还需要“结果”信息。例如：

（（色泽＝青绿;根蒂＝蜷缩;鼓声＝浊响），好瓜）

这里关于示例结果的信息，“好瓜”，称为“标记”（bel），拥有标记信息的示例，则称为“样例”（exale）

一般地，用（xi，yi）表示第i个样例，xi是d维向量，其中yi∈Υ是示例xi的标记，Υ是所有标记的集合，亦称“标记空间”（belspace）或“输出空间”

【线代的矩阵和增广矩阵】

若欲预测的是离散值，例如“好瓜”“坏瓜”，此类学习任务称为“分类”（cssification）

若是连续值，例如西瓜成熟度095、037，称为“回归”（regression）

对只涉及两个类别的“二分类”（binarycssification）任务，通常一个称“正类”（positivecss），另一个称“反类”（negativecss）

涉及多个类别，称“多分类”（lticsscssification）任务

一般地，预测任务是建立一个从输入空间到输出空间的映射

“测试”（testing）

【千里之行始于足下，虽然这里介绍都还是简单的知识，但也有新的感悟。毕竟人类是擅长吃冷饭的。】

我们还可以对西瓜做“聚类”，即将训练集中的西瓜分成若干组，每组称为一个“簇”;

这些自动形成的簇可能对应一些潜在的概念划分，例如“浅色瓜”“深色瓜”，甚至“本地瓜”“外地瓜”

这样的学习过程有助于我们了解数据内在的规律，能为更深入地分析数据建立基础

需说明的是，在聚类学习中，“浅色瓜”“本地瓜”这样的概念我们事先是不知道的，而且学习过程中使用的训练样本通常不拥有标记信息

【这里我有一些不明白的地方，如何分组？】

根据有无标记信息，学习任务可大致分为“监督学习”（supervisedlearning）和“无监督学习”（unsupervisedlearning）

分类和回归是前者的代表，聚类是后者的代表

学得模型适用于新样本的能力称为“泛化”（generalization）能力

13假设空间

归纳（induction）与演绎（deduction）是科学推理两大基本手段。“从样例中学习”显然是一个归纳过程，因此亦称“归纳学习”（inductivelearning）

归纳学习有狭义与广义之分，广义大体相当于从样例中学习，狭义则要求从训练数据中学得概念（ncept），因此亦称“概念学习”或“概念形成”

目前研究、应用都比较少，好的太困难。现实常用技术大多是产生“黑箱”模型

概念学习中最基本的是布尔概念学习。

hoyc，pepynedlsileexpnationofthenofreelunchtheorenditsilications[j]journalofoptizationtheory&lications，2002，1159570

nofreelunchtheore没有免费的午餐”定理。nfl定理。

【y了，睡下午觉了。】