好记性不如烂笔头，打算以博客连载的方式把最近机器学习的一些学习笔记记下来，机器学习涉及的知识点很多，时间一长很容易遗忘，写在博客上也方便自己随时查阅及复习。学习笔记偏重实用工程，尽量不涉及复杂的数学推导。
机器学习分类
数据划分
模型评估
泛化能力：指模型对未知数据的预测能力。
性能度量指标：
偏差（Bias）：反映的是模型在样本上的输出与真实值之间的误差,即模型本身的精准度，高偏差，即为欠拟合。
方差（Variance）：反映的是同样大小的训练集的变动导致的学习性能的波动，即刻画了数据扰动所造成的影响，即模型的稳定性。高方差，即为过拟合。
模型复杂度和偏差、方差的关系如下图，随着模型复杂度增大，偏差减小，方差变大，预测错误率在模型复杂度到达一定程度后，反而会增大，偏差和方差从某种程度上说是一对矛盾体，很难做到偏差和方差都很低，只能从偏差、方差和模型复杂度中找到一个平衡点。
