1.4 – 机器学习与数学

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。