1.4.1 现象和问与答

  遇到无法用传统概率学方法来解决一些现实问题,如:多维度空间点分类。可以用ML领域的一些方法,事先建立模型,将 距离d =》概率P,用模型计算点属于哪一类的概率。

  那对于新问题如何确定模型呢?  进行随机样本实验,根据实验结果,反推模型参数。

  现在有了实验数据,如何通过实验数据反推模型呢?  先假设模型,最小二乘法确认目标优化函数,然后梯度下降法求出各个模型参数的最优值;如果求解涉及到了约束条件,参考拉格朗日函数法;如果该问题涉及到概率密度相关,则模型考虑极大似然估计。

  对于数值分类问题解决了,那么如何解决图像分类问题呢,比如 花分类,X光判断癌症病人等?  将图像转换为数据,并足够精简,即:特征工程

 

所以

  整个机器学习解决问题过程可以分为: 模型空间  = 》 确认目标优化函数  =》 优化方法求解模型参数。