集成学习
机器学习的主要任务
监督学习:
(1)分类:将实例数据划分到合适的分类中。
KNN(k-近邻算法)、决策树、朴素贝叶斯、Logistic回归、SVM(支持向量积)。
例如:手写数字识别是一个经典的监督式学习问题
(2)回归:预测数值型数据。
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-J8ZAMQvn-1615820545826)(C:\Users\zwy\AppData\Roaming\Typora\typora-user-images\image-20210315215749406.png)]
无监督学习:
(1)聚类:将数据集合分成由类似的对象组成的多个类的过程。
K-MEANS(K均值聚类)
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-zhS3Qbxs-1615820545829)
(C:\Users\zwy\AppData\Roaming\Typora\typora-user-images\image-20210315220035271.png)]
(2)降维
总结:
机器学习是一种实现人工智能的方法。
机器学习最基本的做法,是使用算法来解析数据、从中学习,然后对真实世界中的事件做出决策和预测。与传统的为解决特定任务、硬编码的软件程序不同,机器学习是用大量的数据来“训练”,通过各种算法从数据中学习如何完成任务。器学习直接来源于早期的人工智能领域,传统的算法包括决策树、聚类、贝叶斯分类、支持向量机、EM、Adaboost等等。从学习方法上来分,机器学习算法可以分为监督学习(如分类问题)、无监督学习(如聚类问题)、半监督学习、集成学习、深度学习和强化学习。
传统的机器学习算法在指纹识别、基于Haar的人脸检测、基于HoG特征的物体检测等领域的应用基本达到了商业化的要求或者特定场景的商业化水平,但每前进一步都异常艰难,直到深度学习算法的出现。
总览
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-RXYA26dU-1615820545832)(C:\Users\zwy\AppData\Roaming\Typora\typora-user-images\image-20210315220743855.png)]
机器学习拓展链接:
XYA26dU-1615820545832)]