机器学习笔记DAY1

最新推荐文章于 2024-10-16 18:54:27 发布
最新推荐文章于 2024-10-16 18:54:27 发布
阅读量473 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/haliaddel/article/details/102698880
版权
本文介绍了机器学习的基础术语，包括学习任务的分类、聚类学习、监督学习与无监督学习的区别，强调了泛化能力的重要性。同时，探讨了过拟合、误差评估方法如留出法、交叉验证和自助法，以及性能度量如均方误差、错误率、精度、查准率、查全率和F1度量。最后，讨论了代价敏感错误率和泛化误差的分解。
摘要由CSDN通过智能技术生成

一些基础术语

  1. 从数据中学得模型的过程称为学习或训练，这个过程通过执行某个学习算法来完成，训练过程中使用的数据称为训练数据，其中每个样本成为训练样本，训练样本组成的集合称为训练集。

  2. 如果预测的是离散值，此类学习任务称为分类，如果我们预测的是连续值，此类学习任务称为回归。

  3. 对西瓜做聚类将训练集中的西瓜分成若干组，每组称为一个簇，这些自动形成的簇可能对应一些潜在的概念划分。在聚类学习过程中，具体能划分哪些簇是我们事先不知道的，而却训练样本中通常不拥有标记信息。

  4. 根据训练数据是否拥有标记信息，学习任务可大致分为两大类：监督学习 和无监督学习，分类和回归是前者的代表，而聚类则是后者的代表。

  5. 学得模型适用于新样本的能力，称为泛化能力。

  6. “从样例中学习”，被称为归纳学习，要求从训练数据中学得概念，因此也被称为概念学习或概念形成。

    举个例子，现在有一批训练数据集，有三个维度，色泽，根蒂，敲声，来判断是否是一个“好瓜”的概念。于是我们学得的将是**“好瓜是某种色泽、某种根蒂、某种敲声的瓜”**，在这里&#x

最低0.47元/天 解锁文章
haliaddel
关注
专栏目录
机器学习day1
jayvee's Blog
07-17 176
什么是机器学习？ - 机器学习就是从数据中自动分析获得规律（模型），并利用规律对未知数据进行预测 为什么要机器学习？ 解放生产力（客服，流水线…） 解决专业问题（建模，工程…） 提供社会便利（城市大脑，垃圾分类…） 机器学习在各领域带来的价值 领域：航天、医疗、电商、教育… 目的：让机器学习替换手动的步骤，减少企业的成本也提高企业的效率 例子： iOS13系统中为了更好的保护电池，让电池寿...
机器学习day01
weixin_44690932的博客
03-28 257
机器学习day011.机器学习的一些概念 - - -有监督，无监督，泛化能力，过拟合欠拟合（方差和偏差以及各自解决办法），交叉验证2.线性回归的原理3.线性回归损失函数，代价函数，目标函数4.优化方法（梯度下降法，牛顿法，拟牛顿法）5.线性回归的评估指标6.sklearn参数详解 1.机器学习的一些概念 - - -有监督，无监督，泛化能力，过拟合欠拟合（方差和偏差以及各自解决办法），交叉验证 ...
浅谈对于机器学习的理解
__tian__的博客
01-06 7620
                                                                         浅谈对于机器学习的理解   摘 要：人工智能学科自 1956 年诞生以来，便长期处于计算机学科的前沿地位。我认为当代人工智能的发展的一个重要分支是基于机器学习与深度学习的弱人工智能，即使机器在完成任务时，更“聪明”一些。 关键词：人工智能  机器学...
个人机器学习笔记==》常见术语
三米学习笔记杂货铺
07-01 771
基本术语：西瓜样例数据：ID色泽根蒂敲声酸甜程度销量1红色蜷缩浊响601002绿色蜷缩清脆801503红色硬挺清脆90300数据集：一组数据的集合，如：这里的3组数据。样本（示例）：反映事件或者对象的某些方面的变现或性质的事项。如：这里每一行数据都是一个样本。属性（特征）：这里的色泽，敲声都可以称为西瓜的属性或者特征。样本空间（属性空间）：假设每一个属性都是被描述的对象的一个维度，那么多个属性或者...
机器学习：算法性能度量之查准率与查全率
08-08 3552
我们经常使用错误率（即分类错误的样本占总体样本的比例）来分析一个机器学习算法的性能，但是有时候不能满足任务的需求。 例如，我们想要利用机器学习算法来预测肿瘤是不是恶性的。在训练集中，只有0.5%的样本是恶性肿瘤。假设我编写一个非机器学习的算法，无论输入是什么，我都预测肿瘤是良性的，那么最终错误率也就只有0.5%。而如果我通过一个机器学习算法得到了1%的错误率，我是不是可以说这个机器学习的算法反而...
机器学习笔记Day1
weixin_55388297的博客
06-08 105
笔记
吴恩达机器学习笔记day1
qq_52817786的博客
06-04 196
函数f = model \\ f_w,b (x) = wx + b(线，linear regression with one varible)3.alpha（学习率，0~1）太小会导致成本函数j下降太慢，太大可能会导致无法收敛。第几个数据( x^(i),y^(i) ) = i^th training example。输出变量y = "output"varible "target" varible。输入变量x = "input" varible（变量） or feature。
李宏毅机器学习笔记day1
gongkeguo的博客
01-16 300
本来是直接记到印象笔记上的，想分享到这里来谁知道上传个图片居然不能直接复制粘贴。。。我只能把文字部分放这了，看图片点下面这个链接机器学习笔记day1 导论regression * /rɪˈɡreʃn/ n. 回归；退化；逆行；复原 机器学习就是让电脑自己去找函数 bianry classification二分类 卷积神经网络CNN multi-class classification多类分类 递归神经网络 RNN 机器学习不光可以regression和classification，还可以genera
机器学习笔记 Day 1
sgwx1996的博客
10-09 124
机器&学习笔记 Day 1 机器学习是什么 机器学习的两种定义： 在无需具体的编程规则的条件下，给予计算机以学习的能力 计算机程序从经验 E 中学习某些类型的任务 T 和性能度量 P，如果它在任务 T 中的性能(以P度量)随着经验E的提高而提高 监督学习 监督学习指的就是我们给学习算法一个数据集（训练集），这个数据集由“正确答案”组成，在视频中的房价例子中，每个样本的价格就是正确答案。我们根据实际的售价运用学习算法，算出更多的正确答案。这叫做回归问题（回归是指我们预测一个具体的结果输出）。 而另一个
李宏毅机器学习笔记Day1
qq_45848398的博客
05-17 232
机器学习发展历程 自1950年来有了人工智慧，后引入了机器学习和深度学习。 什么是机器学习 让机器拥有学习的能力，去学习。imagine recognition,playing GO等 Looking for a Function from Data.找到一个Function，让它能够实现相关功能 ...
[红日安全]AI安全Day1-机器学习算法在web安全中的应用1
08-08
【红日安全】AI安全Day1-机器学习算法在web安全中的应用1 在Web安全领域，机器学习已经成为一种强大的工具，用于识别和防御各种威胁，如恶意软件、网络钓鱼、DDoS攻击等。本文将深入探讨机器学习的基础概念及其在...
李宏毅机器学习笔记 DAY1
m0_72234371的博客
08-15 384
李宏毅机器学习课程笔记P1P2
学习笔记：机器学习day2
Rick_Restart的博客
04-21 765
一、sklearn数据集与估计器 1.sklearn数据集 1.数据集划分 一般划分两部分 训练集：用于训练，构建模型 （70%，75%，80%） 测试集：在模型检验时使用，用于评估模型是否有效 （30%，25%，20%） 一般划分75%，25%比较好 API sklearn.model_selection.train_test_split - sklearn.datasets 加载获取流行...
西瓜书机器学习第三章——线性模型
OK
10-13 81
logistic regression/logit regression 对数几率回归。multivariate linear regression 多元线性回归。within-class scatter matrix 类内散度矩阵。between-class scatter matrx 类间散度矩阵。maximum likelihood method 极大似然法。cost-sensitive learning 代价敏感学习。log-inear regression 对数线性回归。
机器学习——解释性AI
hong161688的博客
10-13 743
解释性AI（XAI）是一种人工智能技术，旨在提高ML模型和AI系统决策的解释和可解释性。XAI通过揭示AI系统背后的推理、决策和预测过程，以及解释其结果和行为，使人们能够理解、相信和信任AI系统的行为。传统的机器学习算法（如决策树、逻辑回归等）通常可以提供一定程度的解释性，因为它们的决策过程相对简单和可理解。然而，随着深度学习和神经网络的兴起，由于其复杂的结构和黑盒性质，这些模型往往难以解释，即人们难以理解它们如何进行决策和预测。XAI的目标是开发出一系列技术和方法，以提供对黑盒模型的解释能力。
机器学习中的优化算法-1-梯度下降及其变体
最新发布
jianqimingtian的博客
10-16 220
该算法的工作原理是在当前点的函数梯度 （或近似梯度） 的相反方向上采取重复步骤，因为这是最陡下降的方向。换句话说，优化可以定义为获得给定函数的最佳值或最小值的一种方式。在大多数问题中，目标函数 f（x） 是受约束的，目的是确定最小化或最大化 f（x） 的？优化算法是机器学习模型的支柱，因为它们使建模过程能够从给定的数据集中学习。这些算法用于查找目标函数的最小值或最大值，该函数在机器学习上下文中代表误差或损失。在本文中，讨论了不同的优化方法以及它们在机器学习中的用途及其意义。机器学习中的优化算法。
【ShuQiHere】 K-means 聚类算法详解：公式、代码与实战
ShuQIHere的博客
10-09 2113
K-means 是一种常见的**无监督学习算法**（*Unsupervised Learning Algorithm*），用于解决**聚类**（*Clustering*）问题。该算法的目标是将数据集中的 \(n\) 个数据点分成 \(K\) 个簇（*Clusters*），使得同一簇内的数据点之间尽可能相似，而不同簇的数据点尽可能不同。🧑‍🏫 K-means 在市场细分、图像压缩、模式识别等领域得到了广泛应用。其因简单高效而受欢迎，但要充分利用它，理解其工作原理至关重要。
机器学习和深度学习的差别
乐学吧
10-11 1356
机器学习和深度学习在定义、基本原理、数据需求、模型结构、计算需求、可解释性和应用领域等方面存在一些差别。机器学习是一个更广泛的概念，包括了许多不同的算法和技术，而深度学习是机器学习的一个子领域，专注于使用深度神经网络来学习数据中的复杂模式和表示。在实际应用中，需要根据具体的问题和数据特点选择合适的方法。
机器学习和神经网络的研究与传统物理学的关系
zheng_ruiguo的专栏
10-12 319
而机器学习和神经网络可以通过处理大量的数据和训练模型来发现复杂规律，从而推动物理学的发展。例如，神经网络在高能物理中的应用可以帮助科学家探索粒子物理学中的复杂现象，如对撞机实验中的事件重建和粒子鉴别等。其次，机器学习和神经网络可以为传统物理学提供新的思维方式和工具。而机器学习和神经网络可以利用并行计算和深度学习等技术来加速模拟和优化过程，从而提高研究的效率和精度。机器学习和神经网络是现代科学研究中非常热门的领域，它们与传统物理学在某些方面有着密切的关系，在人类科学研究中相互影响和促进作用也越来越显著。
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