（四）人工智能之机器学习

作者：神奇cpp | 2024-08-16 02:43:11

踩

（四）人工智能之机器学习

（一）机器学习基础

引言

在上一章节，介绍了Python的基础知识，帮助你了解了变量、数据类型、函数等。已经初步熟悉编写和运行Python代码的基本技能，本章节介绍机器学习相关知识理论及应用

（一）机器学习基础

机器学习是人工智能的一个分支，旨在让计算机从数据中学习并做出预测或决策。这里将从基础概念入手，结合简单的代码例子，带你一步步学习机器学习。

1.1、基本概念

数据集：训练机器学习模型的数据，通常分为训练集和测试集
特征：用于预测目标值的输入变量
目标值：模型试图预测的输出
模型：从数据中学习到的数学表示，用于做出预测

（二）机器学习相关理论

2.1、监督学习与无监督学习

监督学习
监督学习（Supervised Learning）就像你在学校里上课时，老师教你一项新技能。你有一组数据，这些数据包含输入（特征）和输出（标签）。你的任务是训练一个模型，使它能够根据新的输入数据预测正确的输出。

示例：
假设你想预测一个人的工资，你有一个包含多个人的工作经验和工资的数据集。你可以用这个数据集来训练模型，让模型学会根据工作经验预测工资。

无监督学习
无监督学习（Unsupervised Learning）就像你搬到一个新城市，没有任何信息，你需要自己探索并发现这个城市的规律。在无监督学习中，数据只有输入，没有对应的输出。你的任务是从数据中发现结构或模式。

示例：
假设你有一堆不同类型的水果照片，你想根据照片的特征把这些水果分成不同的类别，但你事先不知道有多少种类。你可以使用聚类算法，比如K-means，来进行分类。

2.2、过拟合与欠拟合

过拟合（Overfitting）就像你在考试时死记硬背了所有练习题，但一旦遇到新题目，就不会做了。模型在训练数据上表现得很好，但在新数据上表现得很差，因为它过于“记住”训练数据的细节，而忽略了数据的普遍规律。

欠拟合
欠拟合（Underfitting）就像你在考试时，连基本的知识点都没掌握，所以考试成绩很差。模型在训练数据和新数据上都表现得不好，因为它没有捕捉到数据的规律。

2.3、评估指标

准确率（Accuracy）
准确率是指正确预测的样本数占总样本数的比例。适用于分类任务。

公式：
准确率=正确预测的样本数/总样本数

示例：
假设你有100个样本，正确预测了90个，那么准确率就是90%

精确率（Precision）

精确率是指正确预测的正样本数占预测为正样本数的比例。适用于不均衡数据集。

公式：
精确率=正确预测的正样本数/预测为正样本数

示例：
假设你预测为正样本的50个中有45个是正确的，那么精确率就是90%。

召回率（Recall）
召回率是指正确预测的正样本数占实际正样本数的比例。适用于需要找到所有正样本的情况。

公式：
召回率=正确预测的正样本数/实际正样本数

示例：
假设实际为正样本的60个中有45个是正确的，那么召回率就是75%。

F1-score:
F1-score是精确率和召回率的调和平均数，用于综合评价模型。

公式：

声明：本文内容由网友自发贡献，不代表【wpsshop博客】立场，版权归原作者所有，本站不承担相应法律责任。如您发现有侵权的内容，请联系我们。转载请注明出处：https://www.wpsshop.cn/w/神奇cpp/article/detail/986310