1. 首页
  2. 机器学习

机器学习及其算法

人工智能是机器能够以更智能的方式执行任务的更广泛的概念。它涵盖了使计算机能够像人一样行为的所有内容。

机器学习是人工智能的子集,其主要侧重于根据他们的经验进行机器学习,并根据其经验进行预测。

机器学习是一个概念,它允许将achine从实例和经验,而且也没有被明确地编程。因此,您无需编写代码,而是将数据输入通用算法,然后算法机器根据给定的数据构建逻辑。

机器学习及其算法

机器学习如何工作?

使用训练数据集对机器学习算法进行训练以创建模型。当将新的输入数据引入ML算法时,它将基于模型进行预测。

评估预测的准确性,如果准确性可以接受,则部署机器学习算法。如果准确性不可接受,则使用增强的训练数据集一次又一次地训练机器学习算法。

它使计算机或机器能够做出数据驱动的决策,而不是为执行特定任务而进行明确编程。这些程序或算法的设计方式是,当它们暴露于新数据时,它们会随着时间的推移而学习和改进。

机器学习算法:

选择正确的算法似乎不知所措-有数十种有监督,无监督和强化的机器学习算法,并且每种算法都采用不同的学习方法。

机器学习算法是普通算法的发展。通过允许他们从您提供的数据中自动学习,它们使您的程序“更智能”。该算法主要分为:

  • 训练阶段
  • 测试阶段

模型:

模型是机器学习的主要组成部分。通过使用机器学习算法来训练模型。为了获得正确的输出,算法会根据给定的输入映射模型应该采取的所有决策。

预测变量:

它是数据的一项或多项功能,可用于预测输出。

响应变量:

需要使用预测变量来预测的是特征或输出变量。

培训阶段:

机器学习模型是使用训练数据构建的。训练数据可帮助模型识别预测输出必不可少的关键趋势和模式。

测试阶段:

训练模型后,必须对其进行测试以评估其预测结果的准确性。这是通过测试数据集完成的。

机器学习及其算法

机器学习及其算法

机器学习的类型:

·有监督的学习-训练我!

·无监督学习-我的学习能力很强

·强化学习-我的生活我的规则!(命中与审判)

监督学习:

监督学习使用分类回归技术来开发预测模型。

给定:培训数据+期望的输出(标签)

机器学习及其算法

机器学习及其算法

用例:

·Cortana

·天气应用

·生物识别出勤

无监督学习:

聚类是最常见的无监督学习技术。它用于探索性数据分析,以查找数据中的隐藏模式或分组。

给定:培训数据(没有期望的输出)

机器学习及其算法

机器学习及其算法

用例:

·基因序列分析

· 市场调查

·物体识别

强化学习:

代理商会得到正确答案或错误答案的奖励或惩罚,并根据获得的积极奖励积分来对模型进行自我训练。再次接受培训后,它便准备好预测提供给它的新数据。

采取行动的奖励

机器学习及其算法

机器学习及其算法

用例:

·游戏

·迷宫中的机器人

机器学习中的问题类型:

分类:在这种类型中,输出是分类值。将电子邮件分为垃圾邮件和非垃圾邮件两类是一个分类问题,可以使用支持向量机,朴素贝叶斯,逻辑回归,K最近邻等监督学习分类算法来解决。

聚类:这种类型的问题涉及根据特征相似性将输入分配到两个或多个聚类中。例如,可以通过使用诸如K-Means聚类的无监督学习算法,根据观看者的兴趣,年龄,地理位置等将观看者聚类为相似的组

机器学习及其算法

机器学习及其算法

线性回归:

用于从另一个变量预测一个变量的模型。

·表示为x的一个变量被视为预测变量说明变量或变量。

·另一个变量y表示为responseresult变量。

考虑一个简单的示例,该示例根据收到的降雨量预测农作物的产量。

这是简单线性回归的纯粹情况,因为我们只有两个变量:降雨量(独立变量)和农作物产量(独立变量)。

机器学习及其算法

机器学习及其算法

简单线性回归的实际应用:

1.线性回归可用于根据过去的购买行为来预测未来的产品销售。

2.经济学家使用线性回归来预测一个国家或州的经济增长。

3.体育分析员使用线性回归来基于先前的表现预测球员在即将到来的比赛中得分或得分的次数。

4.组织可以使用线性回归来根据多年的经验来计算出他们将向新加入的参与者支付多少费用。

5.线性回归分析可以帮助建筑商预测未来几个月内将以多少价格出售多少房屋。

逻辑回归:

给定一组独立变量,结果可以采用是/否,1/0,对/错,高/低的形式。

考虑一个简单的Logistic回归示例:医学,我们可能希望预测对治疗的反应,在这种情况下,我们可以将幸存者编码为1,将未幸存者编码为0。

机器学习及其算法

机器学习及其算法

Logistic回归的应用:

1.图像分割与分类

2.地理图像处理

3.手写识别

4.医疗保健:在10年内分析超过一百万的人群的心肌梗塞是Logistic回归的应用领域。

5.基于语料库中的单词袋来预测一个人是否沮丧,使用logistic回归和SVM似乎很容易解决。

决策树算法:

顾名思义,它使用树状决策模型。它们既可以用来推动非正式讨论,也可以制定出可以数学预测最佳选择的算法。

决策树通常从单个节点开始,然后分支成可能的结果。这些结果中的每一个都会导致其他节点,这些节点会分支成其他可能性。这使其具有树状的形状。

机器学习及其算法

机器学习及其算法

决策树的应用:

·欺诈性财务报表(FFS)的检测

·医疗保健管理

·客户关系管理

朴素贝叶斯算法:

·天真

·贝叶斯

朴素贝叶斯分类器假定某个类中某个要素的存在与任何其他要素都不相关。即使这些特征相互依赖或存在其他特征,所有这些属性也独立地导致特定水果是苹果,橙子或香蕉的可能性,因此被称为“天真” 。

贝叶斯定理:

给定假设H和证据E,贝叶斯定理指出,获得证据P(H)之前的假设概率与获得证据P(H | E)之后的假设概率之间的关系为:

机器学习及其算法

机器学习及其算法

示例:我们随机选择的一张卡的概率为国王,因为它是一张面卡

机器学习及其算法

机器学习及其算法

朴素贝叶斯的应用:

·新闻分类

·垃圾邮件过滤

·天气预报

随机森林算法:

随机森林是最强大的预测分析工具之一。

随机森林算法既可以用于分类,也可以用于回归问题。

示例:预测贷款还款

机器学习及其算法

随机森林算法的应用:

  • 银行业
  • 药物
  • 股市
  • 电子商务

KNN算法:

需要三件事:

—特征空间(训练数据)

—距离度量:计算记录之间的距离

— k的值:从中获得多数类的最近邻居的数量

要对未知记录进行分类:

—计算与其他培训记录的距离

—确定k个最近的邻居

—使用最近邻居的类别标签来确定未知记录的类别标签

机器学习及其算法

机器学习及其算法

KNN算法的应用:

  • 亚马逊的推荐系统

K均值聚类算法:

  1. k =簇数
  2. 训练集(m)= {x1,x2,x3,………..,xm}

该算法的目标是找到数据中的组,组的数量由变量K表示。

该算法基于提供的功能迭代地将每个数据点分配给K个组之一。

数据点基于特征相似性进行聚类。

机器学习及其算法

机器学习及其算法

K-Means聚类算法的应用:

·文件分类

·保险欺诈检测

·网络概况犯罪分子

·通话记录明细分析

·IT警报的自动群集

SVM算法:

它使用一种称为内核技巧的技术来转换数据,然后根据这些转换在可能的输出之间找到最佳边界。

这些是占用低维输入空间并将其转换为高维空间的函数,即它将不可分离的问题转换为可分离的问题,这些函数称为内核。

机器学习及其算法

机器学习及其算法

支持向量机算法的应用:

·人脸检测

·生物信息学

·文本和超文本分类

·图像分类

·蛋白质折叠和远程同源性检测

·手写识别

·广义预测控制(GPC)

版权声明:本文内容由互联网用户贡献,该文观点仅代表作者本人。本站不拥有所有权,不承担相关法律责任。如发现有侵权/违规的内容, 联系QQ1841324605,本站将立刻清除。

发表评论

您的电子邮箱地址不会被公开。 必填项已用*标注

联系我们

服务热线:130-0886-1890

QR code