knn人脸识别判断_机器学习概念及KNN算法

这一周主要是围绕两个主题来展开，一个是机器学习的基本概念和KNN算法的基本逻辑。我们先来谈谈机器学习方面。

机器学习的概念与用途及分类。

1.概念，主要区分两个对比，主要参考两个图，但是这个两个概念之间没有明显的界限，有时候会互相影响。

à机器学习V.S.人工智能V.S. 深度学习

à机器学习V.S. 数据挖掘V.S.大数据

2. 机器学习的用途，分为三个方面。

à优化评价指标

à发现规律

à用于预测

3. 分类

à监督式学习（分类，回归）

à非监督式学习（聚类）

其实这两者的区别在于重要的两点，其一是是否有明显的标签用于测试的数据中，其二是否涉及一个分类。

打一个栗子，监督试学习：人脸识别，车牌号识别，语音识别等等；而非监督试学习：数据分析，图像处理等等。

KNN算法的介绍

1. 核心思想

à在一定范围内，找出目标最符合的类别然后进行划分，这个判断方法可以是算两点之间的距离，也可以是在一定K的维度内进行投票，最后划分到投票多的范围内。

2. KNN算法需要注意的点

à物体的特征需要用向量表示否则计算机语言无法识别（此过程叫做Feature Engineering，特征工程）

à需要有一个具体的标签进行分类

à确定方法去算出相似度（e.g.两点之间的距离）

à选择合适的k

3. 重要的概念

à决策边界涉及到如何寻找合适的k，

à这个过程也叫做调参（cross validation），但是在KNN当中参数不属于模型参数，是在模型外一个人工设定的开关。

à有时为了减少数据的误差，会使用特征缩放将数据与数据之间的差异范围缩小，主要是是min-max-normalization以及z-score normalization

总结：

机器学习的概念较容易掌握，但是第一次接触算法还是需要时间去消化，尤其是没有具体的用KNN算法去应用一些场景的application。

Python的库的应用太广泛了，有些时候可能还是需要熟能生巧