minning

1、k折交叉验证 中k取值多少有什么关系（ML19.6)，bias，variance是什么(ML4.3)？

  答：一般来说，对于机器学习任务，都会将数据集分为训练数据、验证数据。然而如何对数据集划分却要考虑很多方面的问题，如划分比例、数据成分统计特性等。这里提问中的K主要指的是划分比例的问题范畴。
  首先这里的K指的是将数据等分为k份，然后将其中的k-1份作为训练数据，一份做测试数据。
  然后，在对数据进行划分时得确保训练集和验证集的数据分布相同，即确保其统计特性一致。
  我们可以想象一下，一般来说，k越大训练数据越多，验证数据越少，即模型训练越充分,但是验证结果就越不精准，极端情况下k和样本数相同，即只留一个验证数据，leave one out。那样验证结果就很不精确了。所以k折交叉验证中验证结果好坏随着k增大而增大，然后再随着k增大而减小。
  在k折交叉验证中还有一种常见的方法就是，随机挑选出k-1份当训练、下次再随机挑选出k-1个做训练，这样经过多次k-1份的训练从而增加模型的效果。
  那么bias、variance又是什么呢，与此相对应的还有一个概念叫error，error指的是模型预测结果与实际值之间的误差，通常
error=bias+variance 。
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，Variance反映的是模型每一次输出结果与模型输出期望之间的误差，即模型的稳定性。

2、分类模型和回归模型的区别？（ML2.6）

  1）首先分类模型和回归模型都是有监督学习
  2）从预测结果上来看，分类模型的结果是离散值，回归模型是连续值
  3）从训练数据上看，分类模型的标记是离散值，回归模型的标记是连续值
  4）一定程度上讲，分类和回归是可以相互转化的

3、分类模型可以做回归分析吗？反过来可以吗？ML2.6

  分类模型可以做回归分析，回归模型也可以做分类
  1）对于分类模型，如果把分类标签划分的足够多，足够细，即可类似转化为回归模型
  2）对于回归模型，只需要将回归预测结果划分到一定范围，属于该范围的回归值就划分到该分类区，通过这种方法就可以将回归模型转化为分类模型。