【无标题】

第2章：机器学习基本方法 - 模型评估与模型参数选择

1. 模型评估与参数选择的重要性

• 在人工智能领域，机器学习模型的评估和参数选择是至关重要的步骤。
• 模型评估帮助我们理解模型在实际应用中的表现，而参数选择则影响模型的学习能力和最终性能。

2. 模型评估的基本概念

• 误差：模型预测输出与真实输出之间的差异。
• 经验误差/训练误差：模型在训练集上的表现。
• 泛化误差：模型在新样本上的表现，是衡量模型泛化能力的关键指标。

3. 数据集的划分

• 训练集：用于训练模型的数据集。
• 验证集：用于模型调优和超参数选择的数据集，帮助我们评估模型在新数据上的表现。
• 测试集：用于最终评估模型性能的数据集，模拟实际应用场景。

4. 过拟合与欠拟合

• 过拟合：模型在训练集上表现良好，但在新数据上表现不佳。
  • 原因：训练数据太少，模型复杂度过高，数据不纯。
  • 解决方法：减少特征，增加数据量，数据增强，正则化，早停。
• 欠拟合：模型在训练集上表现就不佳。
  • 原因：数据未归一化，模型复杂度不够，特征不足。
  • 解决方法：优化权重初始化，增加网络层数和训练次数，使用合适的激活函数和优化器。

5. 数据集划分代码示例

• 提供了一个Python代码示例，展示了如何根据给定比例划分训练集、验证集和测试集。

6. 课堂练习

• 通过判断题和选择题，加深对模型评估和参数选择概念的理解。

第3章：机器学习基本方法 - 监督学习

1. 监督学习与非监督学习

• 监督学习：数据包含输入和输出，目标是学习一个映射规则，使得模型能够预测新数据的输出。
• 非监督学习：数据仅包含输入，目标是发现数据的内在结构。

2. 回归与分类

• 回归问题：预测连续值，如房价、销售额等。
  • 常用损失函数：均方误差（MSE）。
• 分类问题：预测离散值，如判断图片中的物体类别。
  • 评估指标：准确率（Accuracy）、精确率（Precision）、召回率（Recall）、F1分数。

3. 回归问题的应用

• 预测房价和销售额等，通过线性回归模型，分析不同因素对预测结果的影响。

4. 分类问题的评估指标

• 准确率：衡量整体预测准确程度。
• 精确率：衡量预测为正样本中实际为正样本的概率。
• 召回率：衡量实际为正样本中被预测为正样本的概率。
• F1分数：精确率和召回率的调和平均数。

5. PR曲线和mAP

• PR曲线：精确率和召回率的关系图。
• mAP：多个类别AP的平均值，衡量分类器性能。

6. 课堂练习

• 通过选择题，理解预测任务属于回归问题还是分类问题。