机器学习复习要点

机器学习简要大纲，机器学习是人工智能的一个分支，通过算法从数据中学习并自动改进其性能。

机器学习复学要点

• 机器学习概念
  • 定义
    • 机器学习是人工智能的一个分支，通过算法从数据中学习并自动改进其性能。
  • 类型
    • 监督学习
      • 定义
        • 训练数据有标签，模型通过学习标签预测新数据。
      • 算法
        • 线性回归、逻辑回归、支持向量机等。
    • 无监督学习
      • 定义
        • 训练数据无标签，模型通过发现数据中的结构和模式进行学习。
      • 算法
        • 聚类、主成分分析等。
    • 强化学习
      • 定义
        • 模型通过与环境交互，根据反馈进行学习。
      • 算法
        • Qlearning、Deep QNetwork等。
• 机器学习算法
  • 线性回归
    • 定义
      • 通过最小二乘法求解线性方程，预测连续值。
    • 应用场景
      • 房价预测、销售额预测等。
  • 逻辑回归
    • 定义
      • 通过逻辑函数（Sigmoid函数）将线性回归的输出转换为概率，用于二分类问题。
    • 应用场景
      • 疾病预测、信用风险评估等。
  • 支持向量机
    • 定义
      • 通过寻找最大间隔超平面，将数据分为两类。
    • 应用场景
      • 文本分类、图像分类等。
  • 聚类
    • 定义
      • 将相似的数据点分为不同的组，无监督学习。
    • 应用场景
      • 客户细分、新闻分类等。
  • 主成分分析
    • 定义
      • 通过降维技术，将高维数据转换为低维数据，便于分析和可视化。
    • 应用场景
      • 数据压缩、特征选择等。
• 评估指标
  • 准确率
    • 定义
      • 预测正确的样本数占总样本数的比例。
    • 应用场景
      • 分类问题。
  • 精确率
    • 定义
      • 预测正确的正样本数占总正样本数的比例。
    • 应用场景
      • 二分类问题。
  • 召回率
    • 定义
      • 预测正确的正样本数占总实际正样本数的比例。
    • 应用场景
      • 二分类问题。
  • F1值
    • 定义
      • 精确率和召回率的调和平均数，用于综合评估模型性能。
    • 应用场景
      • 二分类问题。
  • ROC曲线和AUC值
    • 定义
      • ROC曲线表示在不同阈值下，真正例率（TPR）和假正例率（FPR）之间的关系；AUC值表示ROC曲线下的面积。
    • 应用场景
      • 二分类问题。
• 机器学习项目流程
  • 问题定义
    • 明确问题背景、目标和数据。
  • 数据收集和处理
    • 收集数据并进行清洗、预处理和特征工程。
  • 模型选择和训练
    • 选择合适的模型并进行训练和调参。
  • 模型评估和优化
    • 使用评估指标对模型进行评估，并根据需要进行优化。
  • 模型部署和监控
    • 将模型部署到实际应用场景，并进行持续监控和优化。