人工智能概念之一：机器学习基础概念（距离计算方法、归一化和标准化、交叉验证和网格搜索）

一、 距离计算方法

在机器学习中，距离计算是一个非常重要的概念，它用于衡量样本之间的相似性。常见的距离计算方法有以下几种：

• 欧式距离：两个样本间所有维度差的平方和再开方。公式表示为：对于两个样本 $x=(x_1,x_2,\cdots ,x_n)$ 和 $y=(y_1,y_2,\cdots ,y_n)$，欧式距离 $d(x,y)=\sqrt{{\sum }_{i=1}^n(x_i-y_i{)}^2}$。

• 曼哈顿距离：两个样本间所有维度差的绝对值相加。公式为：$d(x,y)={\sum }_{i=1}^n|x_i-y_i|$。

• 切比雪夫距离：两个样本间所有维度差的最大值。即 $d(x,y)={\max }_{i=1}^n|x_i-y_i|$。

二、 归一化和标准化

在处理数据时，为了让机器学习算法效果更好，常常需要对数据进行预处理。常见的预处理方法有归一化和标准化。

• 2.1 归一化：

  • 方法：导入sklearn.preprocessing里的MinMaxScaler，创建归一化对象，分别对x_train和x_test使用fit_transform和transform。

  • 作用：通过对原始数据进行变换把数据映射到【mi,mx】(默认为 [0,1]) 之间。

  • 公式：$X_{\text{scaled}}=\frac{X-X_{\text{min}}}{X_{\text{max}}-X_{\text{min}}}$

    其中，$X_{\text{min}}$和$X_{\text{max}}$分别为特征的最小值和最大值。

  • 适用场景：适用于数据分布不呈正态、存在明显边界或对输入范围敏感的场景。

from sklearn.preprocessing import MinMaxScaler
import numpy as np

# 示例数据
X = np.array([[1, 2], [3, 4], [5, 6]])
scaler = MinMaxScaler()
X_scaled = scaler.fit_transform(X)
print(X_scaled)

• 2.2 标准化：

  • 方法：导入sklearn.preprocessing里的StandardScaler，创建标准化对象，分别对x_train和x_test使用fit_transform和transform。

  • 作用：通过对原始数据进行标准化，转换为均值为 0 标准差为 1 的标准正态分布的数据。

  • 公式：$X_{\text{scaled}}=\frac{X-\mu }{\sigma }$

    其中，$\mu$为特征的均值，$\sigma$为特征的标准差。

  • 适用场景：适用于数据分布接近正态分布或存在离群点的场景。

from sklearn.preprocessing import StandardScaler
import numpy as np

# 示例数据
X = np.array([[1, 2], [3, 4], [5, 6]])
scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)
print(X_scaled)

三、 交叉验证和网格搜索

• 交叉验证：是划分数据集的一种方法，目的是为了得到更加准确可信的模型评分，评估模型在未知数据上的表现，避免一次划分数据造成的偶然性。

• 网格搜索：能够自动寻找最优的超参数组合，它枚举所有指定的超参数组合，并返回验证得到的最优组合。两者结合形成一个模型参数调优的解决方案，用于模型开发阶段的调参优化，提高泛化能力。

from sklearn.model_selection import GridSearchCV, cross_val_score​
from sklearn.neighbors import KNeighborsClassifier​
from sklearn.datasets import load_iris​
import numpy as np​
​
# 加载数据集​
iris = load_iris()​
X = iris.data​
y = iris.target​
​
# 定义参数网格​
param_grid = {'n_neighbors': np.arange(1, 20)}​
​
# 创建KNN分类器​
knn = KNeighborsClassifier()​
​
# 创建网格搜索对象​
grid_search = GridSearchCV(knn, param_grid, cv=5)​
​
# 进行网格搜索​
grid_search.fit(X, y)​
​
# 输出最优参数​
print("Best parameters: ", grid_search.best_params_)