机器学习笔记【Week1】

一、机器学习简介(Introduction)

什么是机器学习?

定义(Tom Mitchell)

"A computer program is said to learn from experience E with respect to some task T and performance measure P , if its performance on T , as measured by P , improves with experience E."

要素 示例
Task T 识别垃圾邮件、识别人脸、预测房价等
Experience E 历史邮件数据、历史房价数据
Performance P 分类准确率、均方误差(MSE)等

与传统编程的区别:

编程方式 输入 模型 输出
传统编程 规则 + 数据 人工设计的程序 得出结果
机器学习 数据 + 结果 算法训练生成的模型 模型进行预测

二、机器学习的分类

1. 监督学习(Supervised Learning)

  • 有输入 x 和已知输出 y
  • 目标:学习函数 f(x) ≈ y

任务类型

  • 回归:输出是连续值(如房价)
  • 分类:输出是离散类别(如垃圾邮件)

2. 非监督学习(Unsupervised Learning)

  • 只有输入 x,没有输出标签 y
  • 目标:发现数据内部结构,如聚类或降维

三、线性回归模型(Linear Regression)

什么是线性回归?

线性回归(Linear Regression)是一种回归算法 ,用于预测一个连续数值型输出 (例如房价、工资等),假设输入变量 x x x 与输出 y y y 存在线性关系。

问题定义

根据输入变量 x 预测连续输出 y,例如房价预测。

假设函数(Hypothesis)

单变量线性回归的假设函数如下:

h θ ( x ) = θ 0 + θ 1 x h_\theta(x) = \theta_0 + \theta_1 x hθ(x)=θ0+θ1x

其中:

  • x x x:输入特征(如房屋面积)
  • y y y:真实标签(如房价)
  • h θ ( x ) h_\theta(x) hθ(x):模型预测值
  • θ 0 \theta_0 θ0:偏置项(intercept)
  • θ 1 \theta_1 θ1:权重系数(slope)

在 Python 中表示为:

python 复制代码
def hypothesis(theta, x):
    return theta[0] + theta[1] * x

四、代价函数(Cost Function)

为什么要最小化代价函数(Cost Function)?

预测值和真实值会存在误差,我们需要一个方式来衡量"预测得好不好"。

衡量预测值与实际值偏差的函数:

J ( θ ) = 1 2 m ∑ i = 1 m ( h θ ( x ( i ) ) − y ( i ) ) 2 J(\theta) = \frac{1}{2m} \sum_{i=1}^{m} (h_\theta(x^{(i)}) - y^{(i)})^2 J(θ)=2m1i=1∑m(hθ(x(i))−y(i))2
m m m 是样本数量

该函数是一个关于 θ 0 , θ 1 \theta_0, \theta_1 θ0,θ1 的凸函数(抛物面)

Python 实现:

python 复制代码
import numpy as np

def compute_cost(X, y, theta):
    m = len(y)
    predictions = X @ theta
    errors = predictions - y
    return (1 / (2 * m)) * np.dot(errors.T, errors)

五、梯度下降算法(Gradient Descent)

为什么使用梯度下降法(Gradient Descent)?

代价函数 J ( θ ) J(\theta) J(θ) 是一个关于参数 θ \theta θ 的二次函数图像(碗状),我们要找到那个最低点(最优参数):

梯度下降的思想:

  1. 随便选一组参数初始值(如 θ 0 = 0 \theta_0=0 θ0=0, θ 1 = 0 \theta_1=0 θ1=0)
  2. 计算当前点的"斜率方向"(导数)
  3. 朝着函数下降最快的方向(梯度的反方向)更新参数
  4. 重复多次,直到收敛到最低点(代价函数几乎不变)

梯度下降是如何收敛的?

  • 如果学习率 α \alpha α 太大,可能"跨过了山谷",导致震荡甚至发散;
  • 如果太小,虽然能收敛,但需要非常多次迭代;
  • 所以在实践中,一般尝试多个 α \alpha α,并可绘制 J ( θ ) J(\theta) J(θ) 的值随时间变化的曲线来观察收敛速度。

为什么加入 θ 0 \theta_0 θ0(bias)项?

假设没有偏置项 θ 0 \theta_0 θ0,那么模型强制通过原点。显然这不是普适的情况。

例如:

  • 面积为 0 平方米的房子,不一定价格是 0 万元。
  • 所以我们需要一个"可以整体平移"的能力,这就是偏置项的作用。

目标:最小化代价函数,找到最优参数 θ \theta θ

梯度更新公式:

θ j : = θ j − α ⋅ ∂ ∂ θ j J ( θ ) \theta_j := \theta_j - \alpha \cdot \frac{\partial}{\partial \theta_j} J(\theta) θj:=θj−α⋅∂θj∂J(θ)
α \alpha α:学习率,表示每一步更新的速度

导数告诉我们:该参数朝哪个方向走会让代价函数变小

在单变量线性回归中:
θ 0 : = θ 0 − α ⋅ 1 m ∑ ( h θ ( x ( i ) ) − y ( i ) ) \theta_0 := \theta_0 - \alpha \cdot \frac{1}{m} \sum (h_\theta(x^{(i)}) - y^{(i)}) θ0:=θ0−α⋅m1∑(hθ(x(i))−y(i))

θ 1 : = θ 1 − α ⋅ 1 m ∑ ( h θ ( x ( i ) ) − y ( i ) ) ⋅ x ( i ) \theta_1 := \theta_1 - \alpha \cdot \frac{1}{m} \sum (h_\theta(x^{(i)}) - y^{(i)}) \cdot x^{(i)} θ1:=θ1−α⋅m1∑(hθ(x(i))−y(i))⋅x(i)

  • 太小 → 收敛慢;太大 → 发散

Python 实现:

python 复制代码
def gradient_descent(X, y, theta, alpha, iterations):
    m = len(y)
    cost_history = []

    for i in range(iterations):
        predictions = X @ theta
        errors = predictions - y
        gradients = (1 / m) * (X.T @ errors)
        theta -= alpha * gradients
        cost_history.append(compute_cost(X, y, theta))

    return theta, cost_history

示例:房价预测(数据 + 可视化 + 训练)

示例数据:

面积 x(平方米) 价格 y(万元)
50 15
70 20
100 30

Python 全流程实现:

python 复制代码
import numpy as np
import matplotlib.pyplot as plt

# Step 1: 数据定义
X_raw = np.array([50, 70, 100])
y = np.array([15, 20, 30])
m = len(y)

# Step 2: 加上 x0 = 1(常数项)
X = np.c_[np.ones(m), X_raw]  # shape = (m, 2)
y = y.reshape(m, 1)
theta = np.zeros((2, 1))

# Step 3: 设置学习率和迭代次数
alpha = 0.0001
iterations = 1000

# Step 4: 梯度下降训练
theta, cost_history = gradient_descent(X, y, theta, alpha, iterations)

# Step 5: 输出结果
print("Learned theta:", theta.ravel())
print("Final cost:", compute_cost(X, y, theta))

# Step 6: 可视化拟合
plt.scatter(X_raw, y, color='red', label='Training data')
plt.plot(X_raw, X @ theta, label='Linear regression')
plt.xlabel("Area (sqm)")
plt.ylabel("Price (10k)")
plt.legend()
plt.grid(True)
plt.title("Linear Regression Fit")
plt.show()

# Step 7: 可视化代价函数下降过程
plt.plot(range(iterations), cost_history)
plt.xlabel("Iterations")
plt.ylabel("Cost J(θ)")
plt.title("Gradient Descent Cost Convergence")
plt.grid(True)
plt.show()

六、线性代数基础复习(为后续多变量线性回归做准备)

概念 描述
向量 一维数组,如 x = [ x 1 , x 2 , . . . , x n ] T x = [x₁, x₂, ..., xₙ]^T x=[x1,x2,...,xn]T
矩阵 二维数组,如 X = [ x ( 1 ) ; x ( 2 ) ; . . . ] X = [x^{(1)}; x^{(2)}; ...] X=[x(1);x(2);...]
转置 行列互换:X.T
矩阵乘法 A @ B 表示矩阵点乘,要求形状兼容(如 A 是 m × n,B 必须是 n × 1)
相关推荐
m0_751336391 小时前
深度学习驱动的流体力学计算前沿技术体系
人工智能·深度学习·机器学习·新能源·fluent·航空航天·流体力学
MWHLS3 小时前
[AAAI Oral] 简单通用的公平分类方法
人工智能·论文·图像分类·语义分割·reid
AI technophile3 小时前
OpenCV计算机视觉实战(11)——边缘检测详解
人工智能·opencv·计算机视觉
百万蹄蹄向前冲4 小时前
大学期末考,AI定制个性化考试体验
前端·人工智能·面试
SuperW4 小时前
RV1126+OPENCV在视频中添加时间戳
人工智能·opencv·音视频
AI扶我青云志5 小时前
激活函数-sigmoid、tanh、relu、softmax对比
人工智能·深度学习·神经网络
云云3215 小时前
封号零风险」策略:用亚矩阵云手机解锁Telegram的100%隐匿工作流
人工智能·智能手机·矩阵
蓦然回首却已人去楼空5 小时前
用mac的ollama访问模型,为什么会出现模型胡乱输出,然后过一会儿再访问,就又变成正常的
人工智能·macos
点云SLAM6 小时前
Pytorch中gather()函数详解和实战示例
人工智能·pytorch·python·深度学习·机器学习·计算视觉·gather函数
深度学习_乌冬面7 小时前
RNN为什么不适合大语言模型
人工智能·rnn·语言模型