机器学习概述

机器学习概述

文章目录

• • 机器学习概述
  • [1. 机器学习概述](#1. 机器学习概述)
  • • 机器学习概念
    • 机器学习概述
  • [2. 机器学习的分类](#2. 机器学习的分类)
  • • 机器学习的分类
  • [3. 机器学习术语与概念](#3. 机器学习术语与概念)
  • • 机器学习的整体流程
    • 机器学习术语与概念
  • [4. 机器学习常见算法](#4. 机器学习常见算法)
  • • 有监督学习-线性回归
    • 有监督学习-逻辑回归
    • 有监督学习-KNN
    • 有监督学习-朴素贝叶斯
    • 有监督学习-SVM
    • 有监督学习-决策树
    • 无监督学习-聚类算法
    • [无监督学习- k-means](#无监督学习- k-means)
    • [无监督学习- k-medoids](#无监督学习- k-medoids)
    • [无监督学习- 层次聚类](#无监督学习- 层次聚类)
    • [无监督学习- DBSCAN](#无监督学习- DBSCAN)

前言

本章内容包括对机器学习基础，发展历程，应用场景，开发流程和经典学习算法分类等概念，并开始系统机器学习的第一步，掌握其涉及的基本概念和术语，并对各个经典机器学习算法进行系统学习。

1. 机器学习概述

机器学习概念

机器学习概述

• 人工智能、机器学习、深度学习关系
  

机器学习概述

机器学习概述

• 机器学习的发展史
  
  机器学习概述
• 机器学习应用场景
• 属性预测，价值评估，客户分层，异常检测，疾病检测，风险管理，个性化推荐，垃圾信息识别，智能排序，等级评分，流失预警，文本识别，图像识别，量化交易分析，用户画像，路径优化，店铺选址，资源优化，作诗作歌词，恶意软件识别，精准营销，智能投顾，搜索优化，诈骗检测，关联匹配等等。

2. 机器学习的分类

机器学习的分类

• 如下两图，有什么相同与不同之处？
  机器学习的分类
• 强化学习训练过程
  
  机器学习的分类
  

3. 机器学习术语与概念

机器学习的整体流程

机器学习术语与概念

4. 机器学习常见算法

有监督学习-线性回归

• 试图找到一条最合适的线来拟合下图（左）中所有的数据点?
  
  有监督学习-线性回归
• 线性回归的模型评估方法
  

有监督学习-逻辑回归

• 线性回归模型通常是处理因变量是连续变量的问题，如果因变量是定性变量，线性回归模型就不再适用了，需采用逻辑回归模型解决。
• • 逻辑回归（Logistic Regression）是用于处理因变量为分类变量的回归问题，它实际上是属于一种分类方法。
    

有监督学习-KNN

• KNN（K-Nearest Neighbors）即K近邻算法，是一种基本的分类与回归方法。其核心思想是给定训练数据集，对新输入实例，在训练数据集中找到与它最邻近的K个实例，根据这K个实例类别进行预测。用于分类时，多数表决决定类别；用于回归时，取均值作为预测值。
  
• 1.K预设值取多少
• 2.如何定义距离
• 3.分类决策规则
  

有监督学习-朴素贝叶斯

• 病人分类：又来了第七个病人，是打喷嚏的建筑工人。请问他患上感冒的概率有多大？
  有监督学习-朴素贝叶斯
• 朴素贝叶斯算法（Naive Bayes）：朴素贝叶斯是一种简单的多类分类算法，基于贝叶斯定理，并假设特征之间是独立的。给定样本特征𝑋，样本属于类别𝐻的概率是：
  

有监督学习-SVM

• 在线性不可分的情况下，得到非线性SVM主要有两个步骤：
• 支持向量机通过某种事先选择的非线性映射(核函数)将输入变量映射到一个高维特征空间。
• 在这个空间中构造最优分类超平面。

有监督学习-决策树

无监督学习-聚类算法

无监督学习- k-means

无监督学习- k-medoids

• K-Mediods是基于原型的另一种聚类算法，也是对K-Means算法的一种改进。

无监督学习- 层次聚类

无监督学习- DBSCAN

• 密度聚类的思想不同于K-Means，它是通过聚类的簇是否紧密相连来判断样本点是否属于一个簇，代表性的算法就是DBSCAN，它基于一组邻域参数来判断某处样本是否是紧密。
  
• 文章内容均引用华为云HCCDA-AI内容：若有侵权，联系即删