嘿，我对机器学习领域非常新手，最近开始阅读汤姆·米切尔的《机器学习》这本书，在第一章的一个特定部分卡住了，他谈到了估计训练值和调整权重。如果能解释一下估计训练值的概念就太好了，但我明白这并不容易解释，所以如果有人能指引我找到一个资源（讲座视频，或简单的讲座幻灯片，或一些文字片段），讨论关于估计训练数据的概念等，我将非常感激。

再次抱歉我无法提供更多关于我所问的问题的信息。如果有人读过这本书，并且在理解这些章节中描述的概念时遇到同样的问题，书中的章节是1.2.4.1和1.2.4.2，在《机器学习》汤姆·米切尔著中。

提前感谢。

回答：

啊。经典教科书。我的版本有点过时了，但看起来我的1.2.4节与你的讨论的是相同的主题。

首先，这是一个试图保持一般性和不令人生畏的介绍性章节，但结果它也非常抽象和有点模糊。在这一点上，我不会太担心你没有理解这些概念，更有可能的是你想得太多了。后面的章节会详细阐述现在看起来不清楚的东西。

在这个上下文中，值应该被理解为对某个状态或实例的质量或性能的衡量，而不是一般意义上的“值”作为数字。以他的跳棋例子来说，一个状态具有高值是指对电脑玩家有利/有利的棋盘情况。

这里的主要思想是，如果你能为可能遇到的每一种状态提供一个值，并且有一套规则定义了从当前状态可以通过哪些行动到达哪些状态，那么你就可以做出关于采取哪种行动的明智决定。

但是，为状态分配值对于游戏的终止状态来说只是一个简单的任务。终止状态获得的值通常被称为奖励。当然，目标是最大化奖励。估计训练值指的是根据你在游戏后期获得的结果，为中间状态分配猜测值的过程。

因此，在进行许多训练游戏时，你会记录你遇到的哪些状态，如果你发现某个状态X导致状态Y，你可以根据X的当前估计和Y的当前估计稍微改变X的估计值。这就是‘估计训练权重’的全部内容。通过反复训练，模型会变得有经验，估计值应该会收敛到可靠的值。它将开始避免导致失败的移动，并偏好导致胜利的移动。有许多不同的方法来进行这样的更新，也有许多不同的方式来表示游戏状态，但这些是这本书其余部分要讨论的内容。

希望这对你有帮助！