第二章
参考周志华老师的《机器学习》，后续内容根据学习进度继续补充。
2.1 经验误差与过拟合
错误率（error rate）：分类错误的样本数占样本总数的比例，即如果在m个样本中有a个样本分类错误，则错误率 E= a/m
精度（accuracy）：1-a/m
误差（error）：学习器的实际预测输出与样本的真实输出之间的差异
训练误差（training error）：学习器在训练集上的误差
泛化误差（generalization error）：学习器在新样本上的误差
过拟合（overfitting）：将训练样本自身的一些特点当作所有潜在样本都具有的一般性质，学得“太好”，导致泛化性能下降
欠拟合（underfitting）：对训练样本的一般性质没学好
2.2 评估方法
2.2.1 留出法
通常将大约2/3~4/5的样本用于训练，剩余样本用于测试
2.2.2 交叉验证法
2.2.3 自助法
2.2.4 调参与最终模型
2.3 性能度量
2.3.1 错误率与精度
错误率：
精度：
2.3.2 查准率与查全率
分类混淆矩阵：
查准率（准确率）：
查全率（召回率）：
P-R曲线：
F1度量：
Fβ度量：
