导图社区 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。
社区模板帮助中心,点此进入>>
互联网9大思维
组织架构-单商户商城webAPP 思维导图。
域控上线
python思维导图
css
CSS
计算机操作系统思维导图
计算机组成原理
IMX6UL(A7)
考试学情分析系统
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
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
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。
聚类、主成分分析等。
强化学习
模型通过与环境交互,根据反馈进行学习。
Qlearning、Deep QNetwork等。
机器学习算法
线性回归
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
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。
疾病预测、信用风险评估等。
支持向量机
通过寻找最大间隔超平面,将数据分为两类。
文本分类、图像分类等。
聚类
将相似的数据点分为不同的组,无监督学习。
客户细分、新闻分类等。
主成分分析
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。
数据压缩、特征选择等。
评估指标
准确率
预测正确的样本数占总样本数的比例。
分类问题。
精确率
预测正确的正样本数占总正样本数的比例。
二分类问题。
召回率
预测正确的正样本数占总实际正样本数的比例。
F1值
精确率和召回率的调和平均数,用于综合评估模型性能。
ROC曲线和AUC值
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。
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。