（一）机器学习---概述

秒速五厘米 2022-12-26 10:28 228阅读 0赞

### 目录 ###

*   *  一：人工智能概述：
     *   *  1：人工智能应用的场景：
         *  2：人工智能，机器学习，深度学习的关系：
     *  二：机器学习概述：
     *   *  1：什么是机器学习？
         *  2：机器学习的工作流程：
         *  3：数据集：
         *  4：数据的类型：
         *  5：数据分割：
         *  6：数据的基本处理：
         *  7：特征工程：
         *  8：机器学习：
         *  9：模型评估：
     *  三：机器学习算法分类：
     *   *  1：监督学习
         *  2：无监督学习：
         *  3：半监督学习：
         *  4：强化学习：
     *  四：模型的评估：
     *   *  1：分类模型评估：
         *  2：回归模型评估：
         *  3：拟合：

## 一：人工智能概述： ##

### 1：人工智能应用的场景： ###

*  1：人脸识别技术，图像识别技术。
 *  2：机器翻译：谷歌翻译，有道翻译。
 *  3：后台日志分析。

### 2：人工智能，机器学习，深度学习的关系： ###

*  1：机器学习是人工智能的一个实现途径。
 *  2：深度学习是机器学习的一个方法发展而来的。

## 二：机器学习概述： ##

### 1：什么是机器学习？ ###

答：**机器学习就是从数据中自动分析获取模型，并利用模型对位置数据进行预测。**

### 2：机器学习的工作流程： ###

*  1： 获取数据。
 *  2：数据的基本处理。
 *  3：特征工程
 *  4：机器学习（模型训练）
 *  5：模型评估（结果达到要求，上线服务。结果没有达到要求，重复上面步骤）

### 3：数据集： ###

*  1：一行数据我们称为一个**样本**。
 *  2：一列数据我们称为一个**特征**。
 *  3：**目标值**：例如：我们要判断这个电影是什么类型的，则电影类型就是目标值。有些数据没有目标值。

### 4：数据的类型： ###

*  1：类型一：特征值 + 目标值（目标值是连续的和离散的）例如：房价就是连续的，肿瘤是良性还是恶性的就是离散的。连续的目标对应着回归问题，离散的目标对应的是分类问题。
 *  2：类型二：只有特征值，没有目标值。

### 5：数据分割： ###

*  1：训练集：用于训练，构建模型。70%
 *  2：测试集：在模型验证检验时使用，用于评估模型是否有效。30%

### 6：数据的基本处理： ###

*  1：缺失值
 *  2：异常值

### 7：特征工程： ###

*  1：啥叫特征工程？ 利用专业知识处理数据，使得特征能在机器学习算法上发挥更好的作用的过程。
 *  2：意义：影响机器学习的效果。  
    \-3：为啥要有特征工程？吴恩达：**数据和特征决定机器学习的上线，而模型和算法只是逼近这个上线而已。**
 *  4：特征工程的内容：**特征提取**，**特征预处理**，**特征降维**。
 *  5：特征提取：将图像/文本，转换成机器学习的特征数：例如词频。
 *  6：特征预处理：通过转换函数将特征数据转换成更加适合的算法模型数据的过程。
 *  7：降维：三维转二维。

### 8：机器学习： ###

*  运用算法对模型进行训练。

### 9：模型评估： ###

*  对训练好的模型进行评估。

## 三：机器学习算法分类： ##

*  1：监督学习
 *  2：无监督学习
 *  3：半监督学习
 *  4：强化学习

### 1：监督学习 ###

*  输入的数据：特征值+目标值
 *  输出可以是一个连续的值（回归）
 *  输出的是有限个离散值（分类）

案例一：回归问题：房价可以取一个区间，所以是回归问题。

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3_size_16_color_FFFFFF_t_70]  
案例二：分类问题：要么是良性的，要么是恶性的，所以是分类问题，只能取这两个离散点。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3_size_16_color_FFFFFF_t_70 1]

### 2：无监督学习： ###

*  1：有特征值，无目标值。

### 3：半监督学习： ###

*  1：训练集中有编辑样本数据和没有标记的样本标签，需要我们根据训练集中的打过标签的，来给没有打过标签的打标签。

### 4：强化学习： ###

*  1：理解：如果我没完成作业，去看电视，则父母给批评，我得到负反馈。如果我做完作业，再去看电视，父母给我的是表扬，我得到的是正反馈。强化学习就是根据正负反馈来不断调整我机器学习的参数，不断优化。

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3_size_16_color_FFFFFF_t_70 2]

## 四：模型的评估： ##

### 1：分类模型评估： ###

*  1：准确率（最重要的）
 *  2：召回率
 *  3：F1-score
 *  4：AUC指标

### 2：回归模型评估： ###

*  1：均方根误差（RMSE）
 *  2：相对平方误差（RSE）
 *  3：平均绝对误差（MAE）
 *  4：相对绝对误差（RAE）  
    ![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3_size_16_color_FFFFFF_t_70 3]  
    ![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3_size_16_color_FFFFFF_t_70 4]

### 3：拟合： ###

*  1：欠拟合：达不到要求。如果识别天鹅，给出特征长嘴，双翅。则特征不够，鸡鸭也符合。
 *  2：过拟合：表现过于优越，导致测试数据集表现不佳。如果识别天鹅中增加特征值 颜色=白色，则黑色天鹅识别不出来，此时就是过拟合。

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3_size_16_color_FFFFFF_t_70]: /images/20221120/a82516c4d1b2490c84e350f4ad7c255a.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3_size_16_color_FFFFFF_t_70 1]: /images/20221120/d1e985b4c37c48e7bc48caebaf8130b4.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3_size_16_color_FFFFFF_t_70 2]: /images/20221120/78f4169a2b9b462cb9d70806914a4a5e.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3_size_16_color_FFFFFF_t_70 3]: /images/20221120/b880eccf3c0d4dc3acd42646a4f7315f.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3_size_16_color_FFFFFF_t_70 4]: /images/20221120/f9259c73c7434a10b4e6ae3e1e2c8878.png