思维导图

机器学习

人工智能的概念

人工智能 - 像人一样的思考，像人一样的行动，像人一样理性的思考，像人一样的理性行动

机器学习 - 防智，基于数据总结出规律，通过数据预测结果

深度学习 - 仿生，搭建神经网络，输入层，隐藏层，输出层（收集信号|激活函数）

应用领域和发展史

应用领域：人类看到的内容(图像识别)|人类交流的内容(自然语言处理)|数据分析数据挖掘

发展史：1956元年 机器学习 深度学习 transformer（bert|gpt） AIGC

机器学习数据

样本 - 一条数据

数据集 - 所有样本

特征 - 一列数据

标签 - 预测的那一列特征

数据集（训练集 + 测试集） :划分比例，73/82

机器学习分类

有监督 - 有特征，有标签 - 预测

​ 标签的连续性 - 连续，回归问题，不连续，分类问题

无监督 - 有特征，无标签 - 聚类

半监督 - 有特征，少量有标签，大多数无标签 - 减少专家标注成本

强化学习 - 环境、状态、行动、奖励 - 决策

算法：

​ 回归：线性回归

​ 分类(核心)：KNN，决策树，随机森林

​ 聚类问题：KMeans

机器学习建模流程

1.准备数据

2.数据预处理

3.特征工程

3.1 - 特征提取

3.2 - 特征预处理

3.3 - 特征降维

3.4 - 特征选择

3.5 - 特征组合

4.模型训练

5.模型预测

6.模型评估

模型拟合问题

fit 拟合 - 模型预测经过的点越多越好吗？

​ 过拟合 - 特征过多，学习到了噪声 - 减少特征

​ 欠拟合 - 特征过少 - 增加特征

​ 刚好拟合

机器学习开发环境

安装的包： pip install sickit-learn

使用的包： from sklearn.linear_model import LinearRegression