做电脑游戏破解的网站,分形科技做网站怎么样,o2o网站建设特色,做电子商城网站注意事项文章目录 1.人工智能、机器学习、深度学习2.机器学习的工作流程2.1 获取数据集2.2 数据基本处理2.3 特征工程2.3.1 特征提取2.3.2 特征预处理2.3.3 特征降维 2.4 机器学习2.5 模型评估 3.机器学习的算法分类3.1 监督学习3.1.1 回归问题3.1.2 分类问题 3.2 无监督学习3.3 半监督… 文章目录 1.人工智能、机器学习、深度学习2.机器学习的工作流程2.1 获取数据集2.2 数据基本处理2.3 特征工程2.3.1 特征提取2.3.2 特征预处理2.3.3 特征降维 2.4 机器学习2.5 模型评估 3.机器学习的算法分类3.1 监督学习3.1.1 回归问题3.1.2 分类问题 3.2 无监督学习3.3 半监督学习3.4 强化学习3.5 总结 1.人工智能、机器学习、深度学习 从图中可以看到人工智能、机器学习、深度学习之间的关系为机器学习是人工智能的一个实现途径而深度学习是机器学习的一个方法演变而来的
2.机器学习的工作流程
可以将机器学习的工作流程模拟成人思考解决问题的过程人在遇到一个新的问题的时候通常会根据以往对解决此类问题的经验来获取到一个规律根据此规律来预测解决这种新的问题会成功还是失败。 而机器学习的工作流程与之较为相似当遇到一批新的数据的时候计算机会自动分析数据来获取模型根据模型来预测或者评估数据。 机器学习的工作流程可以分为以下步骤 1.获取数据 2.数据基本处理 3.特征工程 4.机器学习(模型训练) 5.模型评估 如果结果达到要求上线服务 没有达到要求就重复上述步骤
2.1 获取数据集 在数据集中一行数据我们称为一个样本一列数据我们成为一个特征 有些数据有目标值标签值有些数据没有目标值如上表中电影类型就是这个数据集的目标值
数据类型构成 1.特征值目标值(目标值是连续的或者离散的) 2.只有特征值没有目标值
数据分割 机器学习一般会将数据分割为两个部分 训练数据用于训练和构建模型 测试数据在模型检验的时候使用用于评估模型是否有效 这两部分的划分比例一般为 训练集70%-80% 测试集20%-30%
2.2 数据基本处理
即对数据进行缺失值、去除异常值等处理 缺失值是指粗糙数据中由于缺少信息而造成的数据的聚类、分组、删失或截断。它指的是现有数据集中某个或某些属性的值是不完全的
2.3 特征工程
特征工程指的是使用专业知识和技巧来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。 特征工程包含特征提取、特征预处理、特征降维三部分
2.3.1 特征提取
即将任意数据转换为可用于机器学习的数字特征
2.3.2 特征预处理
通过一些转换函数将特征数据转换为更加适合机器学习算法的特征数据的过程。
2.3.3 特征降维
指的是在某些条件下降低随机变量的特征的个数得到一组“不相关”的主变量的个数。
2.4 机器学习
即选择适合的算法对模型进行训练
2.5 模型评估
对训练好的模型进行评估
3.机器学习的算法分类
在机器学习中根据数据集的组成不同可以将机器学习算法分为 监督学习 无监督学习 半监督学习 强化学习
3.1 监督学习
在监督学习中计算机通过示例学习。它从过去的数据中学习并将学习的结果应用到当前的数据中以预测未来的事件。在这种情况下输入和期望的输出数据都有助于预测未来事件。 监督学习的定义为 根据已有的数据集知道输入和输出结果之间的关系。根据这种已知的关系训练得到一个最优的模型。 也就是说在监督学习中训练数据既有特征(feature)又有标签(label)通过训练让机器可以自己找到特征和标签之间的联系在面对只有特征没有标签的数据时可以判断出标签。监督学习可以分为回归和分类两种
3.1.1 回归问题
例如预测房价根据样本集拟合出一条连续曲线 回归通俗一点就是对已经存在的点训练数据进行分析拟合出适当的函数模型yf(x)这里y就是数据的标签而对于一个新的自变量x通过这个函数模型得到标签y。
3.1.2 分类问题
例如根据肿瘤特征判断良性还是恶性得到的是结果是“良性”或者“恶性”是离散的。 所以简单来说分类就是要通过分析输入的特征向量对于一个新的向量得到其标签。 和回归最大的区别在于分类是针对离散型的输出的结果是有限的。 监督学习的应用 医疗诊断和预测监督学习在医疗领域中有着广泛的应用。例如在医学影像诊断中通过标记了疾病或异常的图像数据可以训练模型来帮助医生自动识别和诊断病变。此外监督学习还可以用于疾病预测通过医学数据的训练模型可以预测患者是否有可能患上某种疾病帮助医生进行早期干预和预防。
3.2 无监督学习
不知道数据集中数据、特征之间的关系而是要根据聚类或一定的模型得到数据之间的关系。可以这么说比起监督学习无监督学习更像是自学让机器学会自己做事情是没有标签label的。
输入数据是由输入特征值组成没有目标值 输入数据没有被标记也没有确定的结果。样本数据类别未知 需要根据样本间的相似性对样本集进行类别划分。 无监督学习的应用 Google新闻按照内容结构的不同分成财经娱乐体育等不同的标签这就是无监督学习中的聚类。 3.3 半监督学习
半监督学习是一种特殊的机器学习方法它试图充分利用有标签数据和无标签数据的优势。 在很多情况下获取有标签数据可能非常昂贵或耗时但我们可能能够获得大量的无标签数据。半监督学习的目标就是通过这些有限的有标签数据和大量的无标签数据来提高机器学习模型的性能。
这是一个生活中的类比假设你正在学习认识动物但你只有少数几本书上有动物的名字和图片。现在你朋友给了你一大堆没有标签的动物图片。半监督学习的任务就是通过这些有标签的书籍和无标签的图片让你更好地辨认未见过的新动物。 **半监督学习的主要优点是能够在有限的有标签数据上构建更好的模型从而节省数据标注的成本。**然而它也可能面临一些挑战例如无标签数据质量的问题以及在某些情况下过度依赖伪标签可能导致错误的预测。因此在应用半监督学习时需要谨慎选择合适的方法并根据具体情况进行调整。
3.4 强化学习
强化学习就像是在教一只聪明的小宠物怎么玩游戏一样。你是这个小宠物的导师它试图在一个陌生的游戏世界中获得最高的分数。但是开始时它对游戏一无所知所以它必须通过尝试和错误来学习。
在强化学习中有三个主要的角色
智能体Agent就是我们的小宠物它在游戏中行动并试图通过选择不同的动作来达到最好的结果。 环境Environment就是游戏的世界它会根据智能体的动作给予不同的反馈比如给予奖励reward或者惩罚penalty。智能体的目标是通过与环境的交互来最大化总的奖励。 动作Action就是智能体在游戏中可以选择的不同的举动或策略。
整个过程就像是一个训练过程智能体在游戏中进行动作然后根据环境给予的奖励或惩罚来调整自己的策略。通过反复的试错和学习它会逐渐学会什么样的动作可以得到更多的奖励从而在游戏中表现得越来越好。 强化学习的一个典型例子就是训练一个机器人玩赛车游戏。机器人开始时可能会碰壁、撞车但随着时间的推移它会学会如何转弯、避开障碍物并逐渐变得越来越擅长在赛道上驾驶。这种学习过程类似于我们学习新技能或游戏一样通过不断尝试我们变得越来越熟练。
总结一下强化学习是一种让智能体通过与环境交互并根据奖励和惩罚来学习优化策略的机器学习方法。类似于训练一只聪明的小宠物在陌生的游戏世界中变得越来越好。强化学习的目标就是获得最多的累计奖励。
3.5 总结
