m0_54235621的博客

基于模型的学习,通过编写机器学习算法,让机器自己从历史数据中获得经验.训练模型。无标签:对样本间相似性样本进行聚类,发现事务内部结构与关系。基于规则的预测:程序员根据经验手工的ifelse方式进行预测。回归:标签连续可细分,如房价,工资。深度学习:深度神经网络,大脑仿生设计,设计一层一层神经元模拟万物。分类:标签不连续不可细分,如猫狗。部分有标签,节省成本。人工智能常见术语:样本/特征/标签/数据集划分方法。机器学习:让机器自动学习,而不是基于规则的编程。样本:一行数据就是一个样本,多个样本组成数据集。

网格搜索:在模型中有很多超参数,使用网格搜索可以划定一个超参数集合,从中找出最优的超参数,配合交叉验证兼职就是强强联合。交叉验证是一种数据集的分割方法,将数据集划分为n份,其中一份做验证集,n-1份做训练集,依次训练模型。4.进行多数表决，统计K个样本中哪个类别的样本个数最多。欧式距离:所有维度差的平方合的开方。曼哈顿距离:所有维度差的绝对值的合。最后可以输出所有参数的正确率数据,并选择最好的一个。1.计算未知样本与每个训练样本的距离。4.计算最近K个样本的目标值的平均值。3.取出最近的K个训练样本。

人以类聚,物以群分,聚类算法就是在没给出标签的情况下对数据进行分组,根据样本之间的相似性,将样本划分到不同的类别中,是一种无监督学习算法。

线性回归是一种统计建模方法，用于分析因变量（目标变量）与一个或多个自变量（预测变量）之间的线性关系。其核心假设是变量间存在线性关系，通过拟合一条直线（或超平面）来预测或解释数据。可以看做一个函数,其中预测值为y,已知值为x,有多少个已知条件就有多少个x同时,y与x的关系也可以对应x的n次幂即求y=f(x1,x2,x3,,,,,xn)的关系也就是y=ax1**n+bx2**n+cx3**n........+b(b为常量)不过一般也没这么复杂,下面讲解一下基础一元线性回归,也就是日常常见的身高体重问题。