36、机器学习：从输入相关性到技术优化

机器学习：从输入相关性到技术优化

1. 感知机 3D 函数近似

在机器学习中，我们可以使用感知机对 3D 函数进行近似。代码如下：

purePerceptron3dFunction=Function[{x,y},
CIP‘Perceptron‘CalculatePerceptron3dValue[x,y,
perceptronInfo]];
approximatedFunctionGraphics3D=CIP‘Graphics‘Plot3dFunction[
purePerceptron3dFunction,xRange,yRange,labels];
Show[originalFunctionGraphics3D,approximatedFunctionGraphics3D]

通过上述代码，我们可以看到近似效果较为令人满意，但明显比之前基于 SVM 的结果稍逊一筹。这也说明了在机器学习中，解决问题的方法不止一种，不同的方法各有优劣，选择哪种方法往往取决于个人偏好。

2. 输入组件的相关性

2.1 输入组件的重要性

输入是所有机器学习任务的必要基础，它是一个数学向量，以合适的方式编码信息。从实践者的角度来看，输入应包含所有有用信息，每个组件都应有精确的科学意义。然而，判断单个输入组件对机器学习任务是否真正有意义并非易事。一个最优的输入集应只包含对成功执行机器学习任务必要的组件，排除可能的冗余或无关组件，因为这些组件只会增加输入长度，而对学习效果并无提升。

2.2 鸢尾花分类示例

以