1_机器学习
1）基础要求：所有的数据全部变为了特征，而不是eeg信号了
- python基础
- 已经实现了特征提取、特征选择（可选）
- 进行了数据预处理.预处理指对数据进行清洗、转换等处理，使数据更适合机器学习的工具。Scikit 提供了一些预处理的方法，分别是标准化、非线性转换、归一化、二值化、分类特征编码、缺失值插补、生成多项式特征等
2）机器学习送入模型的数据结构：data和label
- data：n*m的矩阵，n是样本数，m是特征数。
特征一定是一维特征，不能是n * m1 * m2。如果是二维用reshape转为一维。 - label：1*n（n）的特征，N个样本对应n个label。
机器学习就是给定一定的输入，通过施加一定的算法，得到输出，然后通过学到的知识，输入新的
数据，获得新的输出。
1）提出问题 2）理解数据 3）特征提取 4）构建模型 5）模型解释
2_回归Regression（回归）
output输出：离散值
Machine learning的三大步骤：
第一步：定义一个函数集合(define a function set)
第二步：判断函数的好坏(goodness of a function)
第三步：选择最好的函数(pick the best one)
Step1：定义一个函数集合(define a function set)
Step2：判断函数的好坏(goodness of a function)
Step3：选择最好的函数(pick the best one)
求解w,b？机器学习中最常用的一种方法叫梯度下降。
每个模型都有自己的损失函数，不管是监督式学习还是非监督式学习。损失函数包含了若干个位置的模型参数，比如在多元线性回归中，损失函数均方误差 ，我们就是要找到使损失函数尽可能小的参数未知模型参数。
在简单线性回归时，我们使用最小二乘法来求损失函数的最小值，但是这只是一个特例。在绝大多数的情况下，损失函数是很复杂的(比如逻辑回归)，根本无法得到参数估计值的表达式。因此需要一种对大多数函数都适用的方法。这就引出了“梯度算法”。
- 梯度（gradient）
- 学习率（learning rate）
- local minima和global minima
此时，已经找到了好的w，b。就构成了一个线性模型：
接着，在测试集上测试，如果测试集上的准确率较好，该模型就被训练好了。
- 过拟合问题
一个重要问题：过拟合（在训练集上表现好，在测试集上表现差）
- 局部最小问题
3_线性回归
线性回归是回归问题中的一种，线性回归假设目标值与特征之间线性相关，即满足一个多元一次方程。
通过构建损失函数，来求解损失函数最小时的参数w和b。
