夏沫の梦的博客

深度学习中最常用的神经网络结构是多层感知机（Multilayer Perceptron，MLP），它是由多层神经元组成的网络，每层之间相互连接，其中输入层接收数据，输出层输出结果，中间的隐藏层则对输入数据进行非线性变换和特征提取。深度学习的模型需要大量的数据进行训练，而且数据的质量也需要较高。如果数据的质量不高，比如包含较多的噪声或错误，那么深度学习的效果将会受到很大的影响。深度学习中最基本的模型是神经网络（Neural Network），它的结构模仿了人类的神经系统，包含多个层级（Layer）。

机器学习是一种基于数据的算法，通过对大量数据进行学习，发现数据的规律和模式，并将这些规律应用到新的数据上，从而做出预测和决策。与传统的计算机程序不同，机器学习算法不需要人工编写所有的规则和逻辑，而是能够自主地从数据中学习并做出预测。训练数据通常包括输入数据和对应的输出数据，例如图像识别中的图片和图片中所表示的物体。算法是指用来训练和优化模型的算法，常见的算法有梯度下降、支持向量机、决策树等。在监督学习中，我们给定一组输入数据和对应的输出结果，算法通过学习输入和输出之间的关系来建立一个预测模型。

机器学习是一种基于数据的算法，通过对大量数据进行学习，发现数据的规律和模式，并将这些规律应用到新的数据上，从而做出预测和决策。与传统的计算机程序不同，机器学习算法不需要人工编写所有的规则和逻辑，而是能够自主地从数据中学习并做出预测。训练数据通常包括输入数据和对应的输出数据，例如图像识别中的图片和图片中所表示的物体。算法是指用来训练和优化模型的算法，常见的算法有梯度下降、支持向量机、决策树等。在监督学习中，我们给定一组输入数据和对应的输出结果，算法通过学习输入和输出之间的关系来建立一个预测模型。

简单的说，机器学习就是让机器从数据中学习，进而得到一个更加符合现实规律的模型，通过对模型的使用使得机器比以往表现的更好，这就是机器学习。对上面这句话的理解：数据：从现实生活抽象出来的一些事物或者规律的特征进行数字化得到。学习：在数据的基础上让机器重复执行一套特定的步骤（学习算法）进行事物特征的萃取，得到一个更加逼近于现实的描述（这个描述是一个模型它的本身可能就是一个函数）。我们把大概能够描述现实的这个函数称作我们学到的模型。更好：我们通过对模型的使用就能更好的解释世界，解决与模型相关的问题。

PCA（principal components analysis）即主成分分析技术，又称主分量分析，旨在利用降维的思想，把多指标转化为少数几个综合指标。在统计学中，主成分分析PCA是一种简化数据集的技术。它是一个线性变换。这个变换把数据变换到一个新的坐标系统中，使得任何数据投影的第一大方差在第一个坐标(称为第一主成分)上，第二大方差在第二个坐标(第二主成分)上，依次类推。主成分分析经常用于减少数据集的维数，同时保持数据集的对方差贡献最大的特征。这是通过保留低阶主成分，忽略高阶主成分做到的。

邻近算法，或者说K最邻近（KNN，K-NearestNeighbor）分类算法是数据挖掘分类技术中最简单的方法之一。所谓K最近邻，就是K个最近的邻居的意思，说的是每个样本都可以用它最接近的K个邻近值来代表。近邻算法就是将数据集合中每一个记录进行分类的方法。k近邻法是一种基本的分类和回归方法，是监督学习方法里的一种常用方法。k近邻算法假设给定一个训练数据集，其中的实例类别已定。分类时，对新的实例，根据其k个最近邻的训练实例类别，通过多数表决等方式进行预测。