人工智能-机器学习

前言

• 样本
  • 一行一个样本，一列一个特征（属性）
• 损失函数
  • 来衡量预测结果和真实结果之间的差距的函数，其值越小，说明预测结果和正式结果越一致。通常它是一个非负实值函数，通过各种方式虽小损失函数的过程就叫做优化
• 标签
  • 数据的Y属性
• 评估指标
  • 准确率，精准率

距离度量

欧式距离

曼哈顿距离

 计算公式：

n维空间：

切比雪夫距离
 

国际象棋中国王为中心的类推

回归算法

• 回归算法是一种有监督算法
• 回归算法是用来简历“解释”变量（自变量x）和观测值（因变量y）之间的关系；从机器学习的角度来讲，用于构建一个算法模型（函数）来做属性（x）与标签（y）之间的映射关系，在算法的学习过程中，试图寻找一个函数使得参数之间的关系拟合性最好
• 回归算法中的算法（函数）的最终结果是一个连续的数据值，输入值（属性值）是一个d维度的属性/数值向量

线性回归

逻辑回归

1. 分类和回归任务的区别
2. 逻辑回归是不是回归
3. 如果是你，你要怎么做
4. 把回归函数掰弯
5. 选定阈值

分类和回归任务的区别

输入变量和输出变量均为连续变量的预测问题是回归问题

输出变量为有限个离散变量的预测问题成为分类问题

误差在于线性太直了

解决办法选定阈值

从线性函数到sigmod函数将函数掰弯

KNN算法

通过另计样本来判断该样本预测

分类预测时，一般采用多数表决法

回归预测时，一般采用平均值法