数据表里的机器学习.pdf

【数据表里的机器学习】这篇文章主要探讨了如何利用简单的数据表来解释和实现机器学习中的基本概念，特别是K近邻算法。K近邻算法是一种监督学习算法，常用于分类问题，其核心思想是通过找到训练数据集中与新样本最相似的邻居来预测其类别。 在文章中，作者通过一个生动的鸟类识别例子来阐述K近邻算法的工作原理。假设我们有一份关于不同鸟类在不同生境中出现概率的数据表，每种鸟都有三个特征（草地、灌木、乔木）。新观察到的鸟的行为特征可以通过计算它与已有数据中各鸟特征的距离来判断其最可能的种类。这种距离计算通常使用欧氏距离公式，即S=SQRT((X1-X2)^2+(Y1-Y2)^2+(Z1-Z2)^2)，其中(X1,Y1,Z1)和(X2,Y2,Z2)分别是两个样本的特征向量。在这个例子中，计算新鸟X与四种已知鸟类特征的欧氏距离，距离最短的鸟类就是预测的种类。 此外，文章还扩展到数字识别的问题，这涉及到了非固定特征的情况。例如，数字“4”可能有多种书写样式，因此需要处理多个坐标点表示同一数字的情况。在这种情况下，通过比较新符号与已标注数字特征的相似度，多数决定原则可用于确定新符号的类别。例如，如果新符号与三个特征点接近，其中两个被标记为“4”，一个为“7”，则可以预测新符号为“4”。 这些例子演示了如何在数据表中实现机器学习的基本操作，既适用于初学者理解机器学习的基本概念，也可以作为教学活动的素材。同时，它们强调了特征提取的重要性，以及在实际应用中如何通过设定规则来处理复杂性和不确定性。 通过电子表格进行此类实验，学生不仅可以更直观地理解机器学习算法，还能参与到数据收集和特征工程的过程中，增强实践能力。这种教学方式有助于激发对人工智能和机器学习的兴趣，同时也提供了拓展和自定义实验的可能性，使学习更具互动性和深度。