Python：【人工智能】【机器学习】这篇博客带你读懂机器学习

博主这学期开了一门人工智能的课程，学了半学期大致对整个体系有了一定的了解。打算结合比较通俗易懂的B站up主【五分钟机器学习】的视频进行简单的阶段性总结.

一、机器学习的起点：线性回归（Linear Regression）

我们小学二年级的时候就学过$y=ax+b$的数学模式，对两个精准的点可以求出公式中的$a$和$b$，我们就可以求的任意$x$时候对应的$y$ 。

​比如：排队的队伍、身高体重比、广告投入与销量的关系。这些实际问题虽然存在排队问题中个别在队伍外面排队的人、身高体重比问题中个别特别肥胖的人、投了广告花式作死的杜嘉班纳（D&G）这些少数特别情况的存在，但总体还是呈现一条歪歪曲曲的线符合$y=ax+b$特征。

​所以我们的线性回归就是在$y=ax+b$这个小学问题上进行了一点点升级，由于就像上面所说的一样，实际问题不会存在所有样本都精准落在一条直线上的情况，所以我们要保证这条直线最大程度的符合实际情况。

​我们称上面这些实际问题为线性问题，而对这些实际问题中新样本的预测问题就称为线性回归问题

缺点：线性回归模型作为最基本的模型就是它只能分析线性问题，对于预测股票等不符合$y=ax+b$的情况就不适用于此模型。

二、机器分类的基石：逻辑回归（Logistic Regression）

​还是在小学，假设你的班主任是个看了我这篇博客的人工智能爱好者，那么她在期末评选这学期三好学生的时候就会这么办：把成绩、体育、品德进行量化，然后采用给每项的加上一个权重，结合权重给每个人打上一个分数，就形成了这样一个模型$Y=a_1\times 学习+a_2\times 体育+$