系列文章目录
`
前言
简单介绍部分基础的监督学习
一、监督学习是什么
监督学习是机器学习中的一种方法,其目的是让计算机通过已有的标记数据(即输入和对应的输出)来学习输入与输出之间的映射关系,并用学习到的模型对新的输入进行预测。
在监督学习中,通常会将数据集分成训练集和测试集两部分,训练集用于训练模型,测试集用于评估模型的性能。在训练过程中,监督学习算法会不断调整模型的参数,以最小化预测输出与真实输出之间的误差。
二、一个简单的案例
以下将从机器学习与统计学的一个经典数据集鸢尾花(Iris)介绍简单的监督学习。
鸢尾花数据集中有150个样本,包含三种标签值:setosa,versicolor,virginica.
特征值有5个。我们要做的就是利用已知样本’data’中的特征与标签值构建模型。这样当我们遇到新的样本时,可以直接预测其标签值。
以下代码通过将已知样本随机分配为训练集与测试集,构造机器模型,并测试其准度。
#导入鸢尾花数据集的调用函数
from sklearn.datbasets import load_iris
from sklearn.model_selection import train_test_split
#导入K近邻算法
from sklearn.neighbors import KNeighborsClassifier
iris_dataset=load_iris()
#将数据分别导入训练集与测试集中
X_train,X_test,y_train,y_test=train_test_split(
irsi_dataset['data'],iris_dataset['target'],random_state=0)
#设置邻居唯一
knn=KNeighborsClassifiter(n_neighbors=1)
#使用设定数据构建机器模型
knn.fit(X_train,y_train)
print("Test set score:{:.5f}".format(knn.score(X_test,y_test)))
至此你的第一个简单的机器模型就已经完成了
常见的监督学习方法
1.线性回归(Linear Regression):用于处理连续型数值的预测问题,其目的是拟合一条直线来最小化预测值与真实值之间的误差。
2.逻辑回归(Logistic Regression):用于处理二分类问题,其目的是拟合一条曲线来最大化预测正确率。
3.决策树(Decision Tree):用于处理分类和回归问题,其目的是构建一棵树来划分数据,使得每个叶子节点代表一个类别或一个数值。
4.支持向量机(Support Vector Machine,SVM):用于处理分类和回归问题,其目的是找到一个最优的超平面来将不同类别的数据分隔开。
5.神经网络(Neural Network):用于处理复杂的分类和回归问题,其模型由多个神经元组成,每个神经元通过非线性函数来进行数据变换和处理。