65、机器学习与深度学习综合知识解析

机器学习与深度学习综合知识解析

1. 机器学习基础概念

1.1 概率与统计

概率是机器学习的基础，简单概率 (P(A)) 描述了单个事件发生的可能性，而条件概率 (P(A|B)) 则考虑了在另一个事件 (B) 发生的条件下事件 (A) 发生的概率。联合概率 (P(A,B)) 用于描述两个事件同时发生的概率。

概率分布分为离散概率分布和连续概率分布。离散概率分布如伯努利分布、多项分布，连续概率分布如高斯分布。例如，在掷硬币的场景中，硬币正面朝上的概率遵循伯努利分布。

统计方面，均值、中位数和众数是描述数据集中趋势的常用指标，而标准差则用于衡量数据的离散程度。

1.2 数据处理

数据处理是机器学习的重要环节，包括数据清洗、数据增强和数据标准化。数据清洗用于去除数据中的噪声和异常值，数据增强则通过对原始数据进行变换来扩充数据集，数据标准化则将数据缩放到相同的尺度，有助于提高模型的训练效果。

例如，在图像分类任务中，可以通过旋转、翻转等操作对图像进行数据增强，提高模型的泛化能力。

1.3 模型评估

模型评估是衡量模型性能的重要手段，常用的评估指标包括准确率、召回率、F1 分数等。混淆矩阵是一种常用的工具，用于直观地展示模型的分类结果。

	预测正例	预测反例
实际正例	真正例（TP）