【带你快速了解人工智能开发Pandas基础课程第七周】

提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档

---

前言

提示：这里可以添加本文要记录的大概内容：

例如：随着人工智能的不断发展，机器学习这门技术也越来越重要，很多人都开启了学习机器学习，本文就介绍了机器学习的基础内容。

---

#博学谷IT学习技术支持#

一、机器学习分类

目标:
掌握什么是监督学习
掌握什么是无监督学习
了解什么是半监督学习
了解什么是强化学习

二、监督学习

监督学习指的是人们给机器一大堆标记好的数据，比如：
1.一大堆照片，标记出哪些是猫的照片，哪些是狗的照片
2.让机器自己学习归纳出算法或模型
3.使用该算法或模型判断出其他没有标记的照片是否是猫或狗

1.1 分类问题¶
分类是监督学习的一个核心问题 。在监督学习中：

当输出变量Y取有限个离散值时，预测问题便成了分类问题
监督学习从数据中学习一个分类模型或分类决策函数，称为分类器（classifer）
分类器对新的输入进行输出的预测（prediction），称为分类（classification）
分类问题包括学习和分类的两个过程：

在学习过程中，根据已知的训练数据集利用有效的学习方法学习一个分类器
在分类的过程中，利用学习的分类器对新的输入实例进行分类。
分类问题的典型应用场景如垃圾邮件识别就是一个2分类问题，使用相应的机器学习算法判定邮件属于垃圾邮件还是非垃圾邮件。

给出了30个训练样本集实例：15个样本为负类别（negative class，圆圈表示），15个样本为正类别（positive class，加号表示）
数据集是二维的，这意味着每个样本都有两个与其相关的值
通过监督学习算法获得一条规则，并将其表示为图中的一条黑色的虚线将两类样本分开，并且可以根据 值将新样本划分到某个类别中（看位于直线的那一侧）。

输出变量为有限个离散值的情况称为分类问题（classification）
如果类别为正类或负类的时候，这个是一个二分类问题

三、回归问题

1.2
另一类监督学习方法针对连续型输出变量进行预测，也就是所谓的回归分析（regression analysis）。回归分析中，数据中会给出大量的自变量和相应的连续因变量（对应输出结果），通过尝试寻找自变量和因变量的关系，就能够预测输出变量。

比如生活中常见的房价问题：

横轴代表房屋面积，纵轴代表房屋的售价
我们可以画出图示中的数据点，再根据使得各点到直线的距离的平均平方距离的最小，从而绘制出下图的拟合直线
根据生活常识随着房屋面积的增加，房价也会增长
回归问题的分类有：

根据输入变量的个数分为一元回归和多元回归
按照输入变量和输出变量之间的关系分为线性回归和非线性回归

总结

以上就是今天要讲的内容，本文仅仅简单介绍了的分类