5、机器学习：原理、应用与局限

机器学习：原理、应用与局限

1. 贝叶斯算法与类比学习系统

1.1 贝叶斯算法

贝叶斯算法主要用于计算事件成功的概率。例如，以一组症状作为输入，算法会计算出这些症状导致某种特定疾病的概率作为输出。由于多种疾病可能有相同的症状，所以概率的计算十分重要，因为在某些情况下，较低概率的输出可能才是正确的结果。贝叶斯算法的核心思想是，在未看到用于得出假设的证据（即他人得出假设所使用的输入）之前，绝不完全信任任何假设。只有分析证据才能证实或证伪其所支持的假设。因此，在测试所有症状之前，无法确定某人患了哪种疾病。这类算法最典型的应用之一就是垃圾邮件过滤器。

1.2 类比学习系统

类比学习系统使用核机器来识别数据中的模式。通过识别一组输入的模式，并将其与已知输出的模式进行比较，就可以找到问题的解决方案。其目标是利用相似性来确定问题的最佳解决方案。这种推理方式基于这样的逻辑：如果某个解决方案在过去的特定情况下有效，那么在类似的情况下使用该解决方案也可能有效。这类算法最常见的应用之一是推荐系统，例如在亚马逊购物时，推荐系统会根据用户的购买历史推荐相关的产品。

2. 常见机器学习算法分类

2.1 按相似性分类

算法类别	描述	常见算法示例
人工神经网络	模拟生物神经网络的结构或功能，用于回归和分类问题的模式匹配，模仿生物机体的方法而非严格依赖数学方法