这篇博客介绍了机器学习中的欧氏距离分类器在水果识别任务中的应用。首先，阐述了人工智能、机器学习和深度学习的基本概念。接着，详细说明了机器学习问题的描述，包括监督学习和无监督学习的分类。文章聚焦于水果识别任务，描述了数据集的特征，并提出了使用欧氏距离计算样本间距离的策略来进行分类。最后，提供了用Python实现这一算法的思路和步骤。
根据麻瓜编程及习题整理
禁转
基本概念
人工智能
机器学习
实现人工智能的一种方法
深度学习
机器学习中的一类算法
特点：大数据，效果好，图像识别，语音识别
机器学习问题描述
- “学习”问题通常包括n个样本数据（训练样本）
- 每个样本包含的多个属性（多维数据）被称为“特征”
- 通过特定的算法从训练样本中学习到知识（信息），从而建立一个模型
- 然后预测未知数据（测试样本）的信息
概括：通过学习历史数据的特征构建模型预测未来数据
机器学习分类
根据训练样本是否包含标签分类：
监督学习
训练样本包含对应的“标签”
- 分类问题：样本标签属于两类／多类（离散），如人脸识别
- 回归问题：样本标签包括一个或多个连续变量（连续），如房价预测
无监督学习
训练样本的属性不包括对应的“标签”，如根据上网行为对客户分群从而进行精确营销等
无监督学习通常是通过聚类来将相似的样本聚在一起，然后分析这种聚类的原因
任务
水果识别
监督学习
学习历史数据，根据特征预测水果类别
数据集描述
- 59个样本
最低0.47元/天 解锁文章
扫一扫
2947
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
