内科大机器学习期末重点

1. 什么是机器学习

（由于图床原因导致部分图片错位，可以借鉴着看）

• 语音识别
• 算法推荐
• 人脸识别
• 垃圾邮件过滤
• 贷款资格审核

2. 学习的概念

• 与经验有关

• 学习可以改善系统性能

• 学习是一个有反馈的信息处理与控制过程

  

3. 学习分类：

• 机械学习-死记硬背

• 传授学习

  

• 类比学习

  

• 归纳学习

  

• 基于解释的学习

• 观察与发现学习–聚类（找相似，概念聚类，发现学习–归纳推理）

4. 什么是机器学习

• 把无序的数据变为有用的信息

  

5. 机器学习算法

# 与传统区别（简答题）

传统基于规则：1，使用显性编程解决问题。2，规则可以被人工规定

机器学习：1，使用样本训练，2，决策的规则负责或者难以描述。3.机器自动规则学习

6. 如何进行机器学习

• 学习如何分类

• 训练集是用于训练机器所用的样本集合

• 目标变量

  与ft预测结果进行对比的变量值，在分类算法中类型通常为布尔型，在回归算法中通常为连续性

7. 什么时候使用机器学习

8. 机器学习分类

1. 无监督学习（聚类）
2. 监督学习（回归–线性回归，分类–逻辑回归）
3. 半监督学习
4. 强化学习

9. 模型（算法）

好的模型–（简答题/填空题）

泛化能力强，可解释强，课扩展性强，预测速率快

模型的有效性–（简答题/填空题）

泛化能力，误差，欠拟合，过拟合

过拟合的原因

机器学习性能评估-分类

机器学习的性能评估-回归

9. 性能评估计算题–（计算题）

计算精度，召回率，准确率

10. 线性回归

定义：

训练线性回归模型

线性回归代码

三个必须会用的函数–fit,score,predict–都需要输入参数

11. 逻辑回归（分类问题）

定义

12. 支持向量机–svm

逻辑回归的强化

13. 核函数

定义

核函数分类

1. 线性核函数

   

   2.多项式核函数

   

2. RBF径向基核函数

   

   

3. sigmoid核函数

   

14. svm和核函数

15. 决策树

• 概念

  

• 相关术语–熵，信息增益，基尼不纯度

  

• 

• 

16. 决策树的计算–（计算题）–借鉴ppt

三个算法（id3，c4.5,CART）

17. 朴素贝叶斯

拉普拉斯平滑

朴素贝叶斯使用

(老师要求背下来)

18. knn算法

knn优缺点

核函数的选择和使用