回顧

在上一篇推送中我們總結了機器學習第一課，一些最最基本的概念，比如特徵，訓練集，維數，假設空間等，接下來，繼續介紹機器學習第二課，通過一個例子說明什麼是機器學習的泛化能力，理解它有助於你瞭解機器學習為什麼要解決過擬合問題。

泛化能力

泛化能力（generalization），學得的模型適用於新樣本的能力，是非常重要的能力。

舉個例子來說明什麼是泛化能力。

就在我們上學那回，小明愛動腦筋，老師講的題目不光會做，還能舉一反三；小紅學習很努力，上課認真聽講，老師佈置的作業完成的非常好，但是這僅限於老師講過的知識範疇內，因為小紅不喜歡動腦筋，就是填鴨時地學習知識，老師講什麼，她就學什麼，並且這些學得非常好。

在一次數學競賽中，考的題目都不是以前做過的題目，更別說有原題了，考試的結果，小明100，小紅30。

我們說小明的泛化能力很強，因為它能根據老師講的東西，準確回答出以前老是講過地類似題目，畢竟萬變不離其宗，形式再不一樣的題目還是圍繞那30個知識點。

但是，小紅泛化能力很弱，它雖然平時老師講的那些題目都會做，但過度地依賴老師講的每一個細節，僅限於老師講的那些東西，當來了一個形式上變化但是原理不變的題目時，她變得束手無策，答錯了很多題。

引起泛化能力不足的一個原因是過擬合，過擬合導致在測試集上變現非常好，但是在新來的資料集上表現非常差。

泛化能力圖解

泛化能力差，可能的原因是過擬合，導致了泛化能力差;

下圖相對於上圖而言，泛化能力好，對未來的預測更準確

總結

以上通過1個例子闡述了機器學習中非常重要的1個概念：泛化能力。

在明天的推送中，我們再通過1個例子詳細闡述歸納偏好；

後天進入機器學習的迴歸講述，歡迎您的訂閱學習《演算法channel》