Google机器学习系列 - 监督学习

🔍 Google机器学习核心概念精讲(零基础入门版)

Google机器学习概念(1)-主要术语,掌握监督学习的底层逻辑


一、核心概念全景图

▲ 监督学习四大基石:标签→特征→样本→模型


二、基础概念详解

1. 监督学习本质

定义

通过标记数据集 训练算法,使模型能对未知数据做出准确预测的机器学习范式

典型场景

  • 垃圾邮件识别(分类任务)
  • 房价预测(回归任务)

2. 标签(Label)

python 复制代码
# 标签的两种形态示例
分类标签 = ["垃圾邮件", "正常邮件"]  # 离散型
回归标签 = [320, 450, 280]       # 连续型

✅ 关键特性

  • 预测目标的真实值(y)
  • 必须由人工标注或明确测量获得
  1. 特征(Feature)

    房价预测特征示例

    特征矩阵 = {
    "房龄": [5, 10, 3],
    "房间数": [3, 5, 2],
    "卧室数": [2, 3, 1]
    }

✅ 黄金法则

  • 特征应满足MECE原则(相互独立,完全穷尽)

  • 数值型特征需要标准化(如Z-score标准化)

  1. 样本(Sample)
房龄 房间数 卧室数 房价(万元) 样本类型
5 3 2 320 有标签样本
10 5 3 无标签样本

有标签样本 =特征+标签

无标签样本=仅有特征

  1. 模型(Model)

✅ 两大核心阶段

  • 训练阶段:建立特征与标签的映射关系
  • 推理阶段:预测无标签样本的标签值

三、分类 vs 回归

分类模型 回归模型
输出类型 离散值(猫/狗) 连续值(房价)
评价指标 准确率、F1-score MSE、R²
典型算法 逻辑回归、决策树 线性回归、随机森林
应用场景 图像识别、情感分析 销量预测、风险评估

▲ 颜色说明:红色表示离散输出,绿色表示连续输出

四、模型训练流程

▲ 完整训练流程需经历

数据准备

→ 特征处理

→ 模型迭代 → 应用部署

五、系统架构基础

✅ 四大核心组件

知识库:存储已学习的规律(如决策树规则)

学习模块:通过梯度下降等算法更新知识库

执行模块:将新知识应用于预测任务

反馈机制:根据预测结果优化知识库
六、特征工程基础

✅ 预处理三要素

  • 缺失值处理:删除/均值填充/KNN填充
  • 异常值处理:3σ原则/箱线图检测
  • 数据转换:标准化/归一化/离散化
相关推荐
我命由我1234523 分钟前
Photoshop - Photoshop 工具栏(2)矩形框选工具
经验分享·笔记·学习·ui·photoshop·ps·美工
jackylzh25 分钟前
深度学习中, WIN32为 Windows API 标识,匹配 Windows 系统,含 32/64 位
人工智能·python·深度学习
序属秋秋秋28 分钟前
《C++进阶之C++11》【异常】
c++·笔记·学习·c++11·异常·新特性
新加坡内哥谈技术2 小时前
Claude Code 的魔力
人工智能
张书名3 小时前
《强化学习数学原理》学习笔记6——贝尔曼最优方程的压缩性质
笔记·学习
北邮刘老师3 小时前
关于智能体互联协议标准的130天
人工智能·大模型·智能体·智能体互联网
悠哉悠哉愿意3 小时前
【ROS2学习笔记】话题通信篇:话题通信项目实践——系统状态监测与可视化工具
笔记·学习·ros2
hssfscv3 小时前
JAVA学习笔记——9道综合练习习题+二维数组
java·笔记·学习
一条星星鱼4 小时前
深度学习是如何收敛的?梯度下降算法原理详解
人工智能·深度学习·算法
Elastic 中国社区官方博客5 小时前
AutoOps:简单的 Elasticsearch 集群监控与管理现已支持本地部署
大数据·人工智能·elasticsearch·搜索引擎·云计算·全文检索