潜洋的专栏

K 近邻分类是基于实例学习的分类技术之一。基于实例学习的模型可以超越训练示例进行推广。为此，它们首先存储训练示例。当遇到新实例（或测试示例）时，它们会立即在存储的训练示例和这个新实例之间建立关系，为这个新实例分配目标函数值。基于实例的方法有时被称为懒惰学习方法，因为它们会推迟学习，直到遇到新实例进行预测。

在这篇文章中，我们了解了什么是监督学习以及它的类别。在对监督学习有了基本的了解之后，我们探索了用于解决监督机器学习问题的 k-最近邻算法。我们还探索了如何测量模型的准确性。

K-最近邻 (KNN) 算法是一种用于解决分类和回归问题的监督机器学习方法。Evelyn Fix 和 Joseph Hodges 于 1951 年开发了该算法，随后由 Thomas Cover 进行了扩展。本文探讨了 KNN 算法的基础知识、工作原理和实现。

支持向量机(SVM)是一种功能强大的机器学习算法，广泛用于线性和非线性分类以及回归和异常值检测任务。SVM 具有很强的适应性，适用于各种应用，例如文本分类、图像分类、垃圾邮件检测、笔迹识别、基因表达分析、人脸检测和异常检测。本文介绍支持向量机算法如何工作？支持向量机术语。数学计算：SVM；支持向量机的类型；SVM中的流行核函数；在 Python 中实现 SVM 算法；支持向量机（SVM）的优点和缺点

集成学习通过组合多个模型来帮助提高机器学习结果。与单个模型相比，这种方法可以产生更好的预测性能。基本思想是学习一组分类器（专家）并允许它们投票。优点：提高预测准确率。缺点：很难理解分类器集合。

决策树中的超参数为什么要调整决策树中的超参数？决策树中的超参数调整方法在决策树中实现超参数调整

克服决策树模型过度拟合的策略修剪技术限制树的深度每个叶节点的最小样本数特征选择与工程集成方法交叉验证增加训练数据

决策树修剪是机器学习中的一项关键技术，用于通过减少过度拟合和提高对新数据的泛化来优化决策树模型。在本指南中，我们将探讨决策树修剪的重要性、其类型、实现及其在机器学习模型优化中的意义。

本文介绍了决策树和其它类似算法的优缺点比较。包括，逻辑回归与决策树分类；随机森林和决策树之间的比较；机器学习中的 KNN 与决策树的比较；决策树、聚类算法和线性回归之间的比较。

C5.0 是之前ID3和C4.5算法的增强版本，是一种用于机器学习分类的强大决策树方法。它由 Ross Quinlan 创建，通过基于输入特征构建决策树来预测分类结果。C5.0 使用自上而下的递归方法划分数据集，在每个节点上选择最佳特征。它考虑生成的子组的大小和质量，同时使用信息增益和增益比标准确定最佳分割。C5.0 中包含修剪机制，以防止过度拟合并提高对新数据的泛化能力。它还可以很好地管理分类变量、数字属性和缺失值。生成的决策树为分类任务提供了易于理解的指导方针，并且由于其精确性、适应性和管理复杂数据集的

文章介绍了决策树中的概念和指标，包括：一、ML | 决策树中的基尼不纯度和熵二、决策树中的信息增益三、决策树中的期望值四、决策树中的训练误差五、决策树中的最佳分割

文本分类是将文本文档分类到预定义类别的过程。在本文中，我们将探讨如何利用决策树对文本数据进行分类。文本分类涉及根据文本文档的内容为其分配预定义类别或标签。决策树是一种分层树结构，可根据输入特征的值递归地划分特征空间。由于其简单性、可解释性和处理非线性关系的能力，它们特别适合分类任务。

决策树是一种决策工具，它使用类似流程图的树结构，或者说是决策及其所有可能结果（包括结果、投入成本和效用）的模型。决策树算法属于监督学习算法类别。它适用于连续和分类输出变量。本文使用Python Sklearn库实现决策数的例子

决策树是一种监督学习算法，常用于机器学习，根据输入数据对结果进行建模和预测。它是一种树状结构，其中每个内部节点都测试属性，每个分支对应属性值，每个叶节点代表最终决策或预测。决策树算法属于监督学习类别。它们可用于解决回归和分类问题。本文深入探讨决策树的组成部分、术语、构造和优势，探索其应用和学习算法。

逻辑回归是一种用于分类任务的监督机器学习算法，其目标是预测实例属于给定类别的概率。逻辑回归是一种统计算法，用于分析两个数据因素之间的关系。本文探讨了逻辑回归的基础知识、类型和实现。目录什么是逻辑回归？逻辑函数-Sigmoid函数逻辑回归的类型逻辑回归的假设逻辑回归如何工作？逻辑回归的代码实现逻辑回归阈值设置中的精确度-召回率权衡如何评估逻辑回归模型？线性回归和逻辑回归之间的差异

支持向量回归 (SVR) 是一种用于回归任务的支持向量机 (SVM)。它试图找到一个函数，能够最好地预测给定输入值的连续输出值。SVR 可以使用线性和非线性核。线性核是两个输入向量之间的简单点积，而非线性核则是更复杂的函数，可以捕捉数据中更复杂的模式。核的选择取决于数据的特征和任务的复杂性。

多项式回归是一种线性回归，其中独立变量 x 和因变量 y 之间的关系被建模为n 次多项式。多项式回归拟合 x 的值与 y 的相应条件均值之间的非线性关系，表示为 E(y | x)。在本文中，我们将深入探讨多项式回归。

线性回归是一种监督式机器学习算法，它根据一个或多个独立变量预测连续目标变量。它假设因变量和自变量之间存在线性关系，并使用线性方程来模拟这种关系。本文介绍了简单线性回归的优缺点、梯度公式、评估指标、代码实例、正则化等内容

强化学习 (RL) 是机器学习的一个分支，专注于在特定情况下做出决策以最大化累积奖励。与依赖具有预定义答案的训练数据集的监督学习不同，强化学习涉及通过经验进行学习。在强化学习中，代理通过执行操作并通过奖励或惩罚获得反馈来学习在不确定、可能复杂的环境中实现目标。

无监督学习是机器学习的一个分支，用于处理未标记的数据。与监督学习（其中数据被标记为特定类别或结果）不同，无监督学习算法的任务是在不了解数据含义的情况下寻找数据中的模式和关系。这使得无监督学习成为探索性数据分析的强大工具，其目标是了解数据的底层结构。

半监督学习是一种介于监督学习和无监督学习之间的机器学习。它是一种使用少量标记数据和大量未标记数据来训练模型的方法。半监督学习的目标是学习一个可以根据输入变量准确预测输出变量的函数，类似于监督学习。然而，与监督学习不同的是，该算法是在包含标记和未标记数据的数据集上进行训练的。

监督式机器学习是机器学习和人工智能的基本方法。本文介绍监督学习的定义，工作原理，监督学习类型、监督学习的实例、监督学习的算法以及监督学习的模型、关键步骤。总结了监督学习的优点和缺点。

在这里，您将学习 Python 的所有 AI 概念。首先，我们介绍 AI，包括机器学习、深度学习、NLP 和计算机视觉等分支。此外，我们还探索流行的 AI 技术，包括生成式 AI 等。人工智能概念Python 人工智能 - 机器学习Python 人工智能 - 深度学习Python 人工智能 - 自然语言处理 (NLP)Python 人工智能 - 计算机视觉使用 Python 实现人工智能 - 生成式人工智能