机器学习 Day1

机器学习与人工智能、深度学习关系

什么是机器学习

机器学习是从数据中自动分析获取模型，并利用模型对未知数据进行预测。

直观理解:

所以是从历史数据中获取规律，那么这些历史数据是怎么构成的呢？

数据集

结构：特征值+目标值

正式定义：
特征值与目标值
特征值（Features）：
描述数据的属性（通常是多列），用X表示。
例如：房价预测中的面积、地段、房龄。

目标值（Target）：
模型要预测的结果（通常是单列），用y表示。
例如：最终的房价。

case：用“相亲”比喻机器学习
假设你是一个相亲网站的AI，任务是预测两个人是否适合结婚。你需要收集数据并让模型学习规律：

特征值（Features）：

就是模型的“输入线索”，比如：
年龄、身高、收入、兴趣爱好、学历

相当于你作为媒人时，会问对方的“条件”。

目标值（Target）：

是模型要“猜”的结果，比如：
是否成功结婚（是/否）

相当于你最终看到的“相亲结果”。

算法

一、监督学习（Supervised Learning）
核心思想：像老师教学生，给算法“标准答案”（即目标值y）去学习规律。

1. 典型案例：
   分类问题 → 预测类别
   例：垃圾邮件识别（是/否）、癌症诊断（恶性/良性）

回归问题 → 预测数值
例：房价预测、股票价格

2. 常用算法：
   算法名称 比喻 适用场景
   线性回归 用尺子画最拟合的直线 房价趋势预测
   决策树 连环问答式判断 贷款审批
   随机森林 多个专家投票决策 电商用户流失预警
   SVM（支持向量机） 找最大间隔的分界线 图像分类
3. 关键特点：
   必须有已标注的数据（即既有X也有y）

模型训练后可以预测新数据的y值

二、无监督学习（Unsupervised Learning）
核心思想：像让孩子自己整理玩具，没有标准答案，算法自行发现数据中的模式。

1. 典型案例：

• 聚类（Clustering） → 自动分组
  例：用户分群、新闻话题归类

• 降维（Dimensionality Reduction） → 压缩数据
  例：3D数据可视化展示到2D

2. 常用算法：
   算法名称 比喻 适用场景
   K-Means 按距离划分小组 市场客户细分
   PCA 提取最关键特征 人脸识别预处理
   Apriori 找频繁出现的组合 超市商品关联推荐
3. 关键特点：
   只有特征值X，没有目标值y

结果通常需要人工解读意义

三、强化学习（Reinforcement Learning）
核心思想：像训练小狗，通过“奖励/惩罚”让算法自己摸索最佳策略。

1. 典型案例：
   游戏AI（如AlphaGo）

自动驾驶决策

机器人控制

2. 核心概念：
   Agent（智能体）：学习的AI

Environment（环境）：交互的世界

Reward（奖励）：行为的反馈信号

四、算法选择流程图