机器学习基本概念

最新推荐文章于 2024-09-26 22:28:19 发布
最新推荐文章于 2024-09-26 22:28:19 发布
阅读量364 收藏
点赞数
分类专栏： 机器学习 文章标签： 机器学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Belug/article/details/66038777
版权

训练集

训练集（training set/data ）/训练样例（training examples）：用来进行训练，也就是产生模型或者算法的数据集；

测试集

用来专门进行测试已经学习好的模型或者算法的数据集；

特征值

属性的集合，通常用一个向量来表示，属于一个实例；

标记

实例类别的标记，

正例，反例

监督学习

训练集有类别标记

非监督学习

训练集没有类别标记

半监督学习

有类别标记的训练集+没有类别标记的训练集

分类

目标标记为类别型数据

回归

目标标记为连续性数值
ai低吟浅唱
关注
专栏目录
1.2机器学习基本概念
01-07
1.2.1基本概念 训练集 测试集 特征值 监督学习 非监督学习 半监督学习 分类 回归 1.2.2例子1 针对例子1，我们可以把100天的数据（包括每天的温度X1，天气X2，风力X3，水温X4，湿度X5，预报X6和小明每天是否享受...
03机器学习基本概念简介
04-07
机器学习基本概念简介 机器学习是人工智能领域中的一种重要技术，旨在使机器能够像人类那样学习和改进。机器学习的基本概念包括机器学习的定义、类型、应用场景、优点和挑战等。 机器学习的定义：机器学习是指机器...
机器学习基本概念汇总
顺其自然~专栏
12-27 3191
1. 基本概念 机器学习是英文名称Machine Learning(简称ML)的直译。机器学习涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。它是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域，它主要使用归纳、综合而不是演绎。 ...
【周志华机器学习】一、机器学习基本概念
weixin_42301220的博客
04-03 1万+
文章目录参考资料1. 概述1.1 机器学习定义1.2 基本术语2. 模型的评估与选择2.1 误差与过/欠拟合2.2 评估方法2.3 训练集与测试集的划分方法2.3.1 留出法2.3.2 交叉验证法2.3.3 自助法2.4 调参2.5 性能度量2.5.1 最常见的性能度量2.5.2 查准率/查全率/F12.5.3 ROC与AUC2.5.4 代价敏感错误率与代价曲线 参考资料 Machine-learning-learning-notes LeeML-Notes 本博客为作者根据周志华的西瓜书和参考资料
机器学习笔记--机器学习基本概念（全面总结，通俗易懂）
qq_44815135的博客
01-22 3278
 什么是机器学习？本文主要介绍了机器学习中的常见概念，包括监督学习和无监督学习、半监督学习、弱监督学习、强化学习、欠拟合和过拟合、损失和优化的概念以及常用的激活函数等。
【机器学习-01】机器学习基本概念与建模流程
qq_38614074的博客
03-15 6893
机器学习基本概念和建模流程介绍
五分钟了解机器学习的基本概念
热门推荐
NJUzzf98的博客
05-27 1万+
三分钟了解机器学习的基本概念- 1、人工智能、机器学习、深度学习之间的关系 2、什么是机器学习？ 3、机器学习的常见问题之 过拟合 4、如何克服过拟合？ 5、机器学习的类型 6、分类和回归
机器学习基本概念简介上
小明小杰的博客
04-02 3200
机器学习：就是找一个函数，如将语音转化为文字，将图片转化为标签，而这个函数是人类很难去找到的，所以我们通过机器的力量，去找到这个函数。 深度学习（机器学习中的一个关键技术）：机器要找一个函数，而这个函数是用类神经网络来找到的。 输入：向量 矩阵（如图片） 序列（如语音） 输出：数值，类别，text等 Supervised Learning （监督学习） 对具有概念标记（分类）的训练样本进行学习，以尽可能对训练样本集外的数据进行标记（分类）预测。 Unsupervised Learning （非监督学
机器学习：基本概念，损失函数，特征工程
燕双嘤
12-14 6709
1，机器学习概述 1.1，机器学习概念 机器学习即Machine Learning，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。目的是让计算机模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断完善自身的性能。简单来讲，机器学习就是人们通过提供大量的相关数据来训练机器。 DataAnalysis：基本概念，环境介绍，环境搭建，大数据问题_燕双嘤-CSDN博客1，概述1.1，数据的性质所谓数据就是描述事物的符号，是对客观事物的性质、状态和相互关系等进行记载的
2 机器学习基本概念
一夜飘零
08-23 7994
1. 基本概念：训练集，测试集，特征值，监督学习，非监督学习，半监督学习，分类，回归 2. 概念学习：人类学习概念：鸟，车，计算机     定义：概念学习是指从有关某个布尔函数的输入输出训练样例中推断出该布尔函数 3. 例子：学习 “享受运动"  这一概念：      小明进行水上运动，是否享受运动取决于很多因素 样例 天气 温度 ...
什么是机器学习？机器学习基本概念介绍：经验、任务与性能
阿旭的博客
02-25 1818
机器学习基本概念介绍什么是机器学习？一、经验二、任务监督学习监督学习经典算法模型1）分类问题2）回归问题无监督学习无监督学习经典算法模型1）聚类2）特征降维拓展：深度学习三、性能 什么是机器学习？ 通俗的讲，如果一个程序，在执行某个任务的时候，能够利用现有的经验不断的去改善完成既定任务的性能，我们就称这个程序是具有学习能力的。 机器学习三要素：经验、任务和性能 一、经验 我们习惯上把数据看做经验：在客观世界中任何一个事物都可以用数据来表示。在表述客观事物的时候，一般用特征来衡量。在机器学习中一个事物一般会用
Lesson 1.机器学习基本概念与建模流程(1).ipynb
06-08
Lesson 1.机器学习基本概念与建模流程(1).ipynb
物理学基础精解【7】
理论物理与应用物理之家
09-22 1309
它表示两点之间的直线距离，即连接这两点的线段的长度。在n维空间中，点之间的距离的计算与二维或三维空间中的计算类似，但涉及更多的坐标轴。注意，数量积的结果是一个标量，而不是向量。在n维空间中，无论n的值是多少，距离的计算都遵循上述公式，只是需要考虑更多的坐标轴。上面的两种变换，先后顺序不影响最后结果，可以先旋转再平移，也可反过来，等等。数量积是两个向量之间的一种运算，其结果是一个标量（实数）。这个公式来源于勾股定理，即将两点间的线段视为直角三角形的斜边，而。向量减法可以看作是加上一个向量的相反向量。
【机器学习导引】ch3-线性模型
09-26 684
在数学中，对于函数 f(x1,…,xm)f(x_1, \ldots, x_m)f(x1​,…,xm​) 在点 a=(a1,…,am)a = (a_1, \ldots, a_m)a=(a1​,…,am​) 处的梯度被定义为：∇f(a)=(∂f∂x1(a),…,∂f∂xm(a)) \nabla f(a) = \left( \frac{\partial f}{\partial x_1}(a), \ldots, \frac{\partial f}{\partial x_m}(a) \right) ∇f(a)
机器学习-KNN分类算法
qq_55882840的博客
09-26 552
由于找到的结果中大多数是猫，则把这个新动物划分为猫类。如果k值太大，学习的近似误差会增大，导致分类模糊，即欠拟合。对图5.2中的动物进行分类，当k=3时，分类结果为“猫：狗=2：1”，所以属于猫；当k=5时，表决结果为“猫：狗：熊猫=2：3：1”，所以判断目标动物为狗。KNN分类算法的核心思想：如果一个样本在特征空间中的k个最相似(即特征空间中最邻近)的样本中的大多数属于某一个类别，则该样本也属于这个类别。分类结果的确定往往采用多数表决原则，即由输入实例的k个最邻近的训练实例中的多数类决定输入实例的类别。
Scikit-Learn&TensorFlow机器学习实用指南(三)：一个完整的机器学习项目【下】
pingguocu3的博客
09-26 582
看起来效果比上面两个模型都要好，实际上我们应该多测试几个模型，比如不同核心的支持向量机、神经网络等等，目标是列出可以使用模型的列表。两个搜索组合，第一个组合有12种情况，第二个组合有6种情况，一共18种情况，因为是五折交叉验证，所以，一共要进行18×5=90轮训练！：将数据集分为K份，称为折，每次用其中一个折作为测试集来计算误差，经过K次计算后求出一组长度为K的误差值，这组误差的平均值就是交叉验证得出的误差值。，虽然不会尝试所有的组合，但是能抽取更多完全不同的组合情况，还能方便的设定搜索次数，控制计算量。
关于最小二乘法
最新发布
m0_62710548的博客
09-26 530
最小二乘法的核心思想简单而优雅：我们希望找到一条最佳的曲线，使其尽可能贴近所有的数据点。想象一下，当你在画布上描绘一条线，目标是让这条线与点的距离最小。数学上，这可以表示为：在这个公式中，yi​ 是你观察到的值，f(xi) 则是你预测的值。通过调整模型的参数，我们努力去缩小这个误差的平方和，直到找到最完美的曲线。
详解机器学习经典模型(原理及应用)——GBDT
学习与分享人工智能技术
09-26 1290
本文详细介绍了GBDT模型的概念、原理和应用，同时介绍了梯度下降和梯度提升的关系，可用于业务或面试参考。
理解机器学习基本概念头歌第三关
06-28
<< 理解机器学习的基本概念就像闯关游戏一样，每一步都重要。第三关可能涉及以下几个关键知识点： 1. **监督学习**（Supervised Learning）：这是最常见的机器学习类型，通过已标记的数据（输入-输出对）训练模型，使其能够预测新数据的输出。比如分类任务（如图像识别）和回归任务（如房价预测）。 2. **无监督学习**（Unsupervised Learning）：在这一阶段，模型没有明确的标签，它试图从数据中发现模式或结构，如聚类（如市场细分）或降维（如PCA）。 3. **半监督学习**（Semi-supervised Learning）：介于两者之间，部分数据有标签，部分无标签，利用有标签样本帮助模型学习无标签数据的规律。 4. **强化学习**（Reinforcement Learning）：一种基于试错的学习方法，模型通过与环境互动来学习，目标是最大化奖励。比如游戏策略或机器人控制。 5. **模型评估**（Model Evaluation）：学会如何用准确率、召回率、F1分数等指标来衡量模型性能，以及交叉验证、AUC-ROC曲线等方法。 要顺利通过这关，你需要熟悉这些核心概念，并能举出实际应用的例子。如果你对某个概念有疑问，随时可以提问：
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值