机器学习算法入门------概念及发展史/核心概念及组件/分类算法实战

一、机器学习简介

机器学习概念:

是实现人工智能的一种途径,核心是让计算机系统通过数据自动学习规律,并基于这些规律进行预测或决策。无需显式编程。

机器学习算法可分为:

有监督学习:有标签

无监督学习:无标签

半监督学习:部分有标签,其他无标签

强化学习:Agent(代理)+环境+奖励+反馈

1.有监督学习:有标签

回归算法:连续

①KNN:

K近邻,周围k个最近的邻居类别。物以类聚,人以群分。通过距离远近判断来归类

欧氏距离

②线性回归:

通过回归算法,构建线性方程拟合数据,

比如房价预测,

分类算法:离散

③逻辑回归:

线性回归+激活函数sigmoid+阈值判断来分类

既分类又回归

④决策树:

通过树形结构对数据进行分类,拟合数据,每一个树节点代表特征,叶子节点代表分类。

根据分裂依据不同分为:

ID3算法

C4.5算法

CART算法

⑤集成学习:

通过多个基学习器进行学习。

bagging思想:

装袋法:

它是通过基学习器并行训练

通过有放回采样(自助法+bootstrap)+

平权投票多次表决来

取基学习器里最好的来预测结果。

代表算法:

随机森林算法(RF)

Boosting思想:

提升法

它是通过多个基学习器学习串行训练,关注上一个学习器的不足,进行优化。再通过加权投票来预测结果。

代表算法:

AdaBoost

GBDT

XGBoost

⑥朴素贝叶斯

使用贝叶斯公式,基于概率

分类算法,通过线性回归+激活函数来构建方程拟合函数。

1.2无监督学习:无标签

聚类算法:根据样本相似度分类

K-means

1.3半监督学习:部分有标签,其他无标签

1.4强化学习:Agent(代理)+环境+奖励+反馈

二、核心概念及组件

机器学习

样本 --- 一行数据

特征 --- 一列数据

标签 --- 要预测的变量

数据集

**训练集:**训练模型的数据------训练阶段

验证集:验证模型的数据。验证模型性能 ---- 测试阶段

测试集:测试模型的数据,测试模型性能 ---- 测试阶段

三、

四、机器学习建模完整流程

1.获取数据

2.数据基本处理

3.特征功能

4.机器学习(模型训练)

5.评估模型

回归指标:MSE((真实值-预测值)^2)、MAE(|真实值-预测值|)

分类指标:准确率,召回率(预测的全不全),F1

聚类指标:轮廓系数

6.部署与服务

相关推荐
郝学胜-神的一滴8 分钟前
Effective Python 条款35:用类封装替代生成器异常注入
开发语言·人工智能·python·金融·pandas·scikit-learn·matplotlib
塑料铲子9 分钟前
你的 Skill 越多越蠢?Token 上下文爆炸的求生指南
机器学习·agent
火山引擎开发者社区17 分钟前
豆包工作,3 个月,800 万,20 亿
人工智能
Chuck.li26 分钟前
AI 长篇创作工具选型:工作流对照与自测清单
人工智能·大模型·ai写作·网文作者·ai网文·豆包写作
aleimu37 分钟前
Windows 11 右键打开 Cmder 2.0:从找不到菜单到默认使用 Cmder
前端·人工智能·后端
SwanArc技术笔记1 小时前
读技术文档,先用哪个 AI?模型指南筛选与 GPT-6.2 Astra 实操
人工智能
深海鱼在掘金1 小时前
深入浅出RAG——第21章:回顾与展望
人工智能
羲云网络1 小时前
GPT Image 2.6 GIF 交付排障:上线后为什么只剩第一帧?
图像处理·人工智能·前端开发·gif
安爹前沿AI1 小时前
Seedance 有个文档里没写的参数:开了码率涨 3.9 倍,费用一分没多
人工智能
深海鱼在掘金1 小时前
深入浅出RAG——第20章:端到端实战:企业级知识库问答系统
人工智能