这周更新额笔记比较偏应用。当我们进行ML（Mechine Learning）算法时：

首先，我们会拿到一个数据集，然后我们讲数据集分为两块（或者三块），分别为训练集、（检验集、）测试集。

在机器学习中，我们需要给这个模型设置一个预设值，也就是超参数（hyberparameter），计算机会根据超参数，利用训练集训练模型。

训练好的模型将会在测试集中测试，模型不准确就重新训练，直到测试符合后，才能被拿去做预测。

注意，不能将测试机集纳入训练集中训练模型。

这个学习过程可以分为有监督学习和无监督学习，其区别简单来说，就是我们事先知不知道这个数据集的label，也就是标签，需不需要自己找标签。

有监督学习对应回归问题，根据已有标签进行递归；无监督学习对应聚类问题。

一个模型要如何判断它是好是坏呢？

通过一些方法可以进行检验，例如，交叉检验的方法、还有k折验证。

我们通过混淆矩阵可以得到许多数值，不同情况下，使用不同数值进行检验。