机器学习浅讲

🕗 发布于 2024-07-22 07:23 机器学习 人工智能

机器学习（Machine Learning）是人工智能的一个分支，它使计算机能够从数据中学习并在没有明确编程的情况下进行预测或决策。以下是机器学习基础知识的详细讲解及示例：

1. 机器学习的类型

1.1 监督学习 (Supervised Learning)

监督学习是通过使用带标签的数据进行训练的。目标是学习输入数据和输出标签之间的映射关系。

示例：

回归：预测连续值，如房价预测。
分类：预测离散类别，如垃圾邮件检测。

Python 示例：

from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_squared_error

# 假设我们有一个数据集，其中 X 是输入特征，y 是目标变量
X = [[1], [2], [3], [4], [5]]
y = [2, 4, 6, 8, 10]

# 分割数据集为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 初始化和训练模型
model = LinearRegression()
model.fit(X_train, y_train)

# 预测和评估
predictions = model.predict(X_test)
print("均方误差:", mean_squared_error(y_test, predictions))

1.2 无监督学习 (Unsupervised Learning)

无监督学习是使用没有标签的数据进行训练的。目标是从数据中发现隐藏的模式或结构。

示例：

聚类：将数据分组，如客户细分。
降维：降低数据维度，如主成分分析 (PCA)。

Python 示例：

from sklearn.cluster import KMeans
import numpy as np

# 假设我们有一个无标签的数据集
data = np.array([[1, 2], [1, 4], [1, 0],
                 [10, 2], [10, 4], [10, 0]])

# 初始化和训练聚类模型
kmeans = KMeans(n_clusters=2, random_state=0).fit(data)

# 打印聚类结果
print("聚类标签:", kmeans.labels_)
print("聚类中心:", kmeans.cluster_centers_)

1.3 强化学习 (Reinforcement Learning)

强化学习是通过与环境的交互进行学习，目标是通过奖励和惩罚机制学习策略。
示例：

游戏 AI：学习玩游戏，如 AlphaGo。
机器人控制：学习控制机器人，如自动驾驶。

2. 模型评估与选择

2.1 交叉验证 (Cross-Validation)

交叉验证是评估模型性能的一种技术，它通过将数据集分成 k 个子集，多次训练和评估模型，减少过拟合。
Python 示例：

from sklearn.model_selection import cross_val_score

# 使用线性回归模型进行交叉验证
scores = cross_val_score(model, X, y, cv=5)
print("交叉验证得分:", scores)
print("平均得分:", scores.mean())

2.2 性能度量 (Performance Metrics)

根据任务类型不同，选择合适的性能度量方法。

示例：

回归任务：均方误差 (MSE)、平均绝对误差 (MAE) 等。
分类任务：准确率、精确率、召回率、F1 值等。

from sklearn.metrics import accuracy_score, precision_score, recall_score, f1_score

# 假设我们有预测结果和真实标签
y_true = [0, 1, 1, 0, 1]
y_pred = [0, 0, 1, 0, 1]

# 计算分类性能指标
print("准确率:", accuracy_score(y_true, y_pred))
print("精确率:", precision_score(y_true, y_pred))
print("召回率:", recall_score(y_true, y_pred))
print("F1 值:", f1_score(y_true, y_pred))

3. 特征工程

特征工程是机器学习过程中非常重要的一部分，通过处理原始数据来创建更好的特征，以提高模型的性能。

3.1 数据预处理

包括数据清洗、缺失值处理、标准化和归一化等。
Python 示例：

from sklearn.preprocessing import StandardScaler, MinMaxScaler
import numpy as np

# 标准化
scaler = StandardScaler()
data_standardized = scaler.fit_transform(data)

# 归一化
min_max_scaler = MinMaxScaler()
data_normalized = min_max_scaler.fit_transform(data)

3.2 特征选择

通过选择对模型有显著影响的特征来减少维度，提高模型性能。

from sklearn.feature_selection import SelectKBest, f_classif

# 假设我们有数据集 X 和标签 y
X_new = SelectKBest(score_func=f_classif, k=2).fit_transform(X, y)

4. 常见的机器学习算法

4.1 线性回归 (Linear Regression)

用于回归任务，假设目标变量与特征之间的关系是线性的。
Python 示例

from sklearn.linear_model import LinearRegression

# 初始化和训练模型
model = LinearRegression()
model.fit(X_train, y_train)

# 预测
predictions = model.predict(X_test)

4.2 逻辑回归 (Logistic Regression)

用于分类任务，输出一个概率值。
Python 示例：

from sklearn.linear_model import LogisticRegression

# 初始化和训练模型
model = LogisticRegression()
model.fit(X_train, y_train)

# 预测
predictions = model.predict(X_test)

4.3 决策树 (Decision Tree)

用于回归和分类任务，通过树形结构做出决策。
Python 示例：

from sklearn.tree import DecisionTreeClassifier

# 初始化和训练模型
model = DecisionTreeClassifier()
model.fit(X_train, y_train)

# 预测
predictions = model.predict(X_test)

4.4 支持向量机 (SVM)

用于回归和分类任务，通过找到最佳超平面进行分类。

Python 示例：

from sklearn.svm import SVC

# 初始化和训练模型
model = SVC()
model.fit(X_train, y_train)

# 预测
predictions = model.predict(X_test)

4.5 K近邻算法 (K-Nearest Neighbors, KNN)

通过计算输入样本与训练样本之间的距离进行分类或回归。

Python 示例

from sklearn.neighbors import KNeighborsClassifier

# 初始化和训练模型
model = KNeighborsClassifier(n_neighbors=3)
model.fit(X_train, y_train)

# 预测
predictions = model.predict(X_test)

4.6 随机森林 (Random Forest)

通过集成多棵决策树进行分类或回归，提高模型的泛化能力。

Python 示例：

from sklearn.ensemble import RandomForestClassifier

# 初始化和训练模型
model = RandomForestClassifier()
model.fit(X_train, y_train)

# 预测
predictions = model.predict(X_test)

以上是机器学习基础的详细讲解及示例，涵盖了机器学习的主要类型、模型评估方法、特征工程以及常见的机器学习算法。

原文地址：https://blog.csdn.net/u012953777/article/details/140595076

免责声明：本站文章内容转载自网络资源，如本站内容侵犯了原著者的合法权益，可联系本站删除。更多内容请关注自学内容网（zxcms.com）！

上一篇：自动化测试的艺术：Xcode中GUI测试的全面指南
下一篇：BDD实践指南：Xcode中的行为驱动开发之道

docker安装minio、使用springboot集成minio同时创建并设置minio桶仅可读
其中请自行修改用户名、密码、挂载目录和对应的端口与映射（密码至少需要9位，否则启动报错）其中9001是后台服务的端口。
阅读更多2024-11-16
『VUE』27. 透传属性与inheritAttrs（详细图文注释）
『VUE』27. 透传属性与inheritAttrs（详细图文注释）
阅读更多2024-11-16
PostgreSQL物化视图详解
随着数据库规模的增大和查询复杂性的提高，数据库查询的性能问题变得越来越突出。为了优化查询性能，数据库系统引入了物化视图的概念。物化视图是一种预先计算和存储的查询结果，它可以在需要时直接提供查询结果，而
阅读更多2024-11-16
每日一题之进制转换
对于给定的十进制整数N（N<100000），将1到N（含N）之间的每个整数转成十六进制，求转换后的所有十六进制数中含A的总个数。提示：某个数的16进制含A的个数可以参照下面的例子：对于整数42
阅读更多2024-11-16
web与网络编程
通常使用的网络(包括互联网)都是在TCP/IP协议族的基础上运作的。而HTTP属于它内部的一个。
阅读更多2024-11-16
塑料薄膜厂需要用到哪些自动化备件
此外，根据塑料薄膜厂的具体需求和规模，还可能需要其他特定的自动化备件，如自动化流水线、全自动分切机、自动测试机等。在选择备件时，塑料薄膜厂应优先考虑备件的质量、耐用性、兼容性和售后服务等因素，以确保备
阅读更多2024-11-16
实验二：Docker存储配置与管理
非持久化数据是不需要保存的那些数据，容器本地存储中的数据就属于这种类型。容器创建时会创建非持久化存储，这是容器全部文件和文件系统保存的地方。默认情况下，在容器内创建的所有文件都存储在可写容器层，文件系
阅读更多2024-11-16
git本地分支推送到远程和远程pull到本地
在推送到远程仓库之前，你也可能想要先执行 git fetch 和 git pull 以确保你的本地分支是最新的。要将本地分支推送到远程仓库的某个分支（可以是同名的分支，也可以是不同名的分支），你可以使
阅读更多2024-11-16
大模型时代，呼叫中心的呼入机器人系统如何建设？
作者：开源呼叫中心系统 FreeIPCC，Github地址：https://github.com/lihaiya/freeipcc呼叫中心呼入机器人系统的建设是一个涉及多个环节和领域的综合性工程。
阅读更多2024-11-16
HTTP/2新型DDoS攻击：技术深度剖析与防御指南
在智能化演进和互联网技术高速发展的背景下，黑客攻击手段不断翻新，DDoS攻击的强度、频率和复杂度也随之持续攀升。金融、政务、互联网等多个领域及其关键基础设施正面临着前所未有的DDoS攻击威胁。
阅读更多2024-11-16

机器学习浅讲

1. 机器学习的类型

1.1 监督学习 (Supervised Learning)

1.2 无监督学习 (Unsupervised Learning)

1.3 强化学习 (Reinforcement Learning)

2. 模型评估与选择

2.1 交叉验证 (Cross-Validation)

2.2 性能度量 (Performance Metrics)

3. 特征工程

3.1 数据预处理

3.2 特征选择

4. 常见的机器学习算法

4.1 线性回归 (Linear Regression)

4.2 逻辑回归 (Logistic Regression)

4.3 决策树 (Decision Tree)

4.4 支持向量机 (SVM)

4.5 K近邻算法 (K-Nearest Neighbors, KNN)

4.6 随机森林 (Random Forest)

相关文章