没有合适的资源?快使用搜索试试~ 我知道了~
机器学习知识点总结,包括机器学习路线、机器学习算法、机器学习处理流程等
需积分: 1 4 下载量 41 浏览量
2023-08-27
10:03:26
上传
评论
收藏 119KB DOCX 举报
温馨提示
试读
25页
机器学习知识点总结,包括机器学习路线、机器学习算法、机器学习处理流程等
资源推荐
资源详情
资源评论
一、什么是机器学习?
机器学习=寻找一种函数
如何寻找这个函数?
①定一个函数集合
②判断函数的好坏
③选择最好的函数
机器学习三板斧
①设计模型 model
②判断模型的好坏
③选择最好的函数,优化模型
3.1 修改模型,增加数据维度
3.2 增加正则因子,使函数更加平滑,让参数 w 取值更小。(x 变
化较小时,整个函数结果不会变化太大,结果更准)
学习路线
监督学习:有数据标注情况下学习(回归、分类)
半监督学习:训练数据中带标记的数据不够多
迁移学习:在已学习基础上,做看似和以前学习不相关的事情,但实
际效果很好(在猫狗识别基础识别大象老虎等)
非监督学习:没有具体标注数据的情况下学习(机器阅读、机器绘画)
结构化学习:超越简单的回归和分类,产生结构化的结果(如图片、
语言、声音)
二、机器学习算法的类型
1. 有监督学习
有监督学习通常是利用带有专家标注的标签的训练数据,学习一
个从输入变量 X 到输入变量 Y 的函数映射。 Y = f (X)
训练数据通常是(n×x,y)的形式,其中 n 代表训练样本的大小,x
和 y 分别是变量 X 和 Y 的样本值。
利用有监督学习解决的问题大致上可以被分为两类:
分类问题:预测某一样本所属的类别(离散的)。比如给定一个
人(从数据的角度来说,是给出一个人的数据结构,包括:身高,年
龄,体重等信息),然后判断是性别,或者是否健康。
回归问题:预测某一样本的所对应的实数输出(连续的)。比如
预测某一地区人的平均身高。
下面所介绍的前五个算法(线性回归,逻辑回归,分类回归树,
朴素贝叶斯,K 最近邻算法)均是有监督学习的例子。
除此之外,集成学习也是一种有监督学习。它是将多个不同的相
对较弱的机器学习模型的预测组合起来,用来预测新的样本。本文中
所介绍的第九个和第十个算法(随机森林装袋法,和 XGBoost 算法)
便是集成技术的例子。
2. 无监督学习
无监督学习问题处理的是,只有输入变量 X 没有相应输出变量的
训练数据。它利用没有专家标注训练数据,对数据的结构建模。
可以利用无监督学习解决的问题,大致分为两类:
关联分析:发现不同事物之间同时出现的概率。在购物篮分析中
被广泛地应用。如果发现买面包的客户有百分之八十的概率买鸡蛋,
那么商家就会把鸡蛋和面包放在相邻的货架上。
聚类问题:将相似的样本划分为一个簇(cluster)。与分类问题
不同,聚类问题预先并不知道类别,自然训练数据也没有类别的标签。
维度约减:顾名思义,维度约减是指减少数据的维度同时保证不
丢失有意义的信息。利用特征提取方法和特征选择方法,可以达到维
度约减的效果。特征选择是指选择原始变量的子集。特征提取是将数
据从高纬度转换到低纬度。广为熟知的主成分分析算法就是特征提取
的方法。
剩余24页未读,继续阅读
资源评论
千源万码
- 粉丝: 773
- 资源: 368
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
最新资源
- 基于matlab实现数字图像相关的腿部肌肉拉伸分析.rar
- 基于matlab实现数字的识别效率,用卷积神经网络算法来实现,用的是官方手写字体数据,能够显现百分之九十以上的识别率.rar
- 基于matlab实现适合解 多变量多目标规划问题,例如 收益最大,风险最小 2.主要目标法,线性加权法
- 基于matlab实现评估任何图像的可行性,而不是斑点模式,以跟踪应变使用数字图像相关性 .rar
- 基于matlab实现神经网络手写数字识别 配合美国MNIST标准手写数字字体库.rar
- 基于matlab实现人工免疫算法的解决TSP问题的方法
- 基于matlab实现邻居搜索的动态差分协同进化代码.rar
- GDAL-3.4.3-cp310-cp310-win-amd64.whl
- 新闻文章eNews新闻发布系统v1.0-enewsv1.0mysql.rar
- 基于matlab实现鸡群算法,群体智能算法的一种,立足鸡群的集合特征建立优化过程,与蜂群算法、蛙群算法有相似之处.rar
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功