初知机器学习

最新推荐文章于 2024-11-09 16:57:04 发布

空中梦

最新推荐文章于 2024-11-09 16:57:04 发布

阅读量43

点赞数

文章标签：机器学习人工智能

本文链接：https://blog.csdn.net/k361k/article/details/132790801

版权

本文详细介绍了机器学习的基本概念，包括监督学习（如回归和分类）、无监督学习（如聚类和异常检测），以及强化学习。重点讲解了监督学习中的线性回归和分类算法，以及无监督学习中的聚类和降维方法。此外，还涉及了梯度下降和正则化的应用。

摘要由CSDN通过智能技术生成

文章目录

前言
一、pandas是什么？
二、使用步骤
- 1.引入库
- 2.读入数据
总结

前言

例如：随着人工智能的不断发展，机器学习这门技术也越来越重要，很多人都开启了学习机器学习，本文就介绍了机器学习的基础内容。

提示：以下是本篇文章正文内容，下面案例可供参考

一、机器学习的定义？

计算机无需明确编程即可学习的研究领域。

二、机器学习的算法

1.监督学习

监督学习是现实生活中使用最多的机器学习类型，而且这是最快的进步而和创新。

监督机器学习或更常见的监督学习指学习x到y或输入或输出映射的算法。监督学习的关键特征是你给予学习算法的示例。也就是说对于给定的输入x，正确的标签y是通过查看正确的学习算法最终学习到的输入x和期望的输出标签y，只取输入而没有输出标签，并给对输出的合理准确的预测或猜测。列如：

Input(x)	Output(y)	Application
email	spam？	spam filtering
audio	text transcripts	speech recognition
English	Spanish	machine translation
image ,rader info	position of other cars	self-driving car

在所有的这些应用程序中，我们将首先使用以下示例训练我们的模型，输入正确x和正确答案，也就是我们的标签y。在模型从这些输入或者输出之后然后他们可以接受一个全新的输入x,着个x是以前从来没有见过的，并尝试适当的输出相应的y。

监督学习的例子1：

回归示例：任务是预测数字

我们给算法一个数据集也就是所谓的正确的答案y，学习算法的任务是产生更多的这样正确的答案，具体预测什么是可能的答案。

监督学习的例子2：

分类算法：不像回归可能欧无数个数字的预测，而分类只有两种可能的输出，但是在每种不同的结果中又可以再次分为不同的类型。

分类算法预测类别，类别不一定是数字，它可以是非数字的。它可以预测一张图片是猫还是狗。在都预测数字的时候，分类和回归的不同之处在于分类预测一组有限的可能输出类别。

回顾一先监督学习:将输入x映射到输出y,学习算法从引用正确答案中学习。监督学习的两大类型的回归和分类。在预测房价等回归应用程序中，学习算法必须从无限多的可能输出的数字中预测数字。而在分类中，学习算法必须对一个类别进行预测，所有的可能输出都是一个小组。

2.无监督学习

我们要求没有得到任何标签，相反我们在数据集中我们的工作只是找到某种结构或某种模式，或某些有趣的东西。我们不是试图监督算法，为了给每个输入提供一些正确的答案，相反我们要求弄清楚我们的房间什么是有趣的，或者这个数据中可能有什么模式或者结构。无监督算法可能决定数据，可以分配给不同的组或两个不同的集群。因此他们会决定这里有一个集群或者什么组。

聚类算法一种无监督学习算法，获取没有标签的数据并尝试将他们自动分组到集群中。

示例1

他将未标记的数据放置在不同的集群中，这可以被证明可以在许多应用程序中使用。聚类算法就是找文章，那天在互联网上所有的数十万的文章新闻，找到相似的词的文章并将他们分组。现在聚类算法可以自己计算出那些词暗含了某些文章的属于同一组。

示例2

在监督学习中，数据同时带有输入x和输入标签y。在无监督学习中数据仅带有输入，x但不输出标签y,算法必须找到数据中的某种结构或某种模式或某些有趣的东西。

异常检测

降维：一个大数据几乎神奇的压缩他得到了一个小数据集，而丢失尽可能减少的信息。

3.监督学习与无监督学习的区别

在分类中，只有少数可能是输出，如果您的模型正在识别猫与狗，那么这是两个可能的输出，是一个可能输出的有限集合。

而在回归中，模型可以输出无限多可能的数字，除了将这些数字可视化之外，

监督学习中的训练集包括输入特征和输出目标。要训练模型需要输入训练集，学习算法的输入特征和输出目标，然后你的监督学习算法会产生一些功能也就当做函数 f。f的工作是获取一个新的输入x和输出并估计或预测。函数f称为模型，x称为输入或输出特征。模型的输出是预测。模型的预测是y的估计值。

具有一个输入变量的线性模型称为单变量线性回归

4.强化学习

三、模型示例

1，线性回归模型

代价函数：

如果用一条直线拟合训练数据，所以有这个模型，f(w,b)=wx+b;在这里模型的参数是，w和b。为了衡量w和b的选择，与训练数据的匹配程度，需要一个成本函数J，成本函数J所做的是衡量在模型预测和y值的正真值之间。线性回归会尝试找到w和b的值，尽可能使J尽可能小。J作为w和b的函数，为了使得更好的可视化成本函数J 。当w为1时，

不太常用

2，分类

主要解决分类问题

1，逻辑回归

2，决策边界

了解逻辑回归如何计算这些预测

逻辑回归分为两步

P(y=1|x;w,b)表示对于给定参数x和b时等于1的概率

逻辑回归中代价函数

过度拟合问题

算法不能很好的拟合训练数据，也就是模型对训练数据的欠拟合就是下图左边算法。如果你的数据不在训练的例子之上也能表现出良好的算法称之为泛化。也就是能够在全新的示例上也能做出良好的预测。

虽然在上图第三个算法中，能够很好的拟合五个数据，误差为零，但是这个算法有问题，我们称之为过度拟合。或者说的高方差。

解决过度拟合问题

1，有足够多的训练样本

2，是否能够使用更少的特征，可以使用正则化来减少特征的数量，比如将参数设置为零从而消除最大的一个特征，这是比较温和的方法，正则化的作用是鼓励学习算法缩小参数值，而不必使得参数恰好为零。正则化的特征就是它可以让你保留所有特征，但他们只是防止特征产生过大的影像，而有时候这会导致过度拟合。

正则化工作原理

用于线性回归的正则化方法

第一部分通常是平方误差成本函数，再加后面则成了正则化成本函数，其中lambade是正则化参数

以上就是需要将w进行的跟新和对b进行的更新

四、重要算法

1，梯度下降

使用梯度下降一种更系统的方法来找到w和b的值，也就是J的最小值。梯度下降在机器学习中无处不在，不仅用于线性规划，还用于训练一些最先进的神经网络模型，也称为深度学习模型。梯度下降是一种可用于尝试最小化任何函数定算法，而不仅仅是线性回归的的成本函数。梯度下降最适合用于更一般的函数，包括用于具有两个以上参数的模型的其他成本函数。

梯度学习的算法是，在山谷的顶端环顾四周并寻找朝向哪一个方向迈出一小步能够尽快的到达下坡，然后值重复这个步骤,最终只是达到的是局部极小值，因为在刚才的位置上在稍微移动一点就可能达到另一个与之不同的山谷。而这两个不同的山谷都称为局部最小值，每个不同的顶点会带你走进不同山谷，

其中α（学习率）表示的是你下坡时候的步子有多大取值大概在0-1之间，当α比较大的时候这表示对应的是一个激进的梯度下降过程，剩下粉红框子表示的是成本函数J的导数项，这表示你想要往那个方向走，α表示你朝往该方向的步子大小。