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
浣熊-论文指导4 分钟前
人工智能与生物医药融合六大创新思路
论文阅读·人工智能·深度学习·计算机网络·机器学习
文火冰糖的硅基工坊10 分钟前
[人工智能-大模型-48]:模型层技术 - 大模型与大语言模型不是一回事
人工智能·语言模型·自然语言处理
居7然16 分钟前
DeepSeek OCR:重新定义AI文档处理的“降本增效”新范式
人工智能·算法·语言模型·自然语言处理·大模型·ocr
yubo050919 分钟前
自动化模型学习器——autoGluon
机器学习·自动化
xingxing_F36 分钟前
Topaz Video AI for Mac AI视频无损放大 视频画质增强
人工智能·macos·音视频
正经教主1 小时前
【Trae+AI】和Trae学习搭建App_01:项目架构设计与环境搭建
学习·app
普蓝机器人1 小时前
面向智慧农业的自主移动果蔬采摘机器人:融合视觉识别与自动驾驶的智能化农作系统研究
人工智能·学习·机器人·移动机器人·三维仿真导航
卷福同学1 小时前
AI浏览器comet拉新,一单20美元(附详细教程)
人工智能·后端
lazily-c1 小时前
Web后端开发总结
java·学习·web·1024程序员节