一、概念

机器学习是一种利用数据来改进模型性能的计算方法，属于人工智能的一个分支。它旨在让计算机系统通过经验自动改进，而不需要明确编程。

类型

1. 监督学习：使用带标签的数据进行训练，包括分类（如垃圾邮件检测）和回归（如房价预测）。
2. 无监督学习：使用不带标签的数据进行训练，包括聚类（如客户细分）和降维（如主成分分析）。
3. 强化学习：通过与环境的交互学习策略，以最大化累积奖励（如AlphaGo）。

二、 常见算法

2.1监督学习算法

• 线性回归：用于回归任务，假设目标变量与输入特征之间存在线性关系。
• 逻辑回归：用于二分类任务，输出一个介于0和1之间的概率。
• 决策树：树状结构的模型，易于理解和解释。
• 支持向量机（SVM）：寻找能够最大化类间间隔的决策边界。
• K近邻（KNN）：基于距离度量的简单算法，预测时考虑最近的K个邻居。
• 朴素贝叶斯：基于贝叶斯定理的分类算法，假设特征之间条件独立。

2.2无监督学习算法

• K均值聚类：将数据分成K个簇，使得簇内数据的相似度最大。
• 层次聚类：构建一个层次结构的聚类树，逐步合并或分割簇。
• 主成分分析（PCA）：将高维数据投影到低维空间，保留数据的主要变异信息。
• 独立成分分析（ICA）：类似于PCA，但假设数据成分相互独立。

2.3强化学习算法

• Q学习：基于状态-动作对的值函数，通过Q值迭代更新策略。
• 深度Q网络（DQN）：结合深度学习的Q学习算法，用神经网络近似Q值。
• 策略梯度方法：直接优化策略，使得期望奖励最大化。

三.、模型评估

评估指标
分类：

• 准确率：正确预测的样本数占总样本数的比例。
• 精确率：预测为正类的样本中实际为正类的比例。
• 召回率：实际为正类的样本中被正确预测为正类的比例。
• F1分数：精确率和召回率的调和平均数。
• 混淆矩阵：总结预测结果的矩阵，显示真阳性、假阳性、真阴性和假阴性。

回归：

• 均方误差（MSE）：预测值与真实值之差的平方和的平均数。
• 均方根误差（RMSE）：MSE的平方根。
• 平均绝对误差（MAE）：预测值与真实值之差的绝对值的平均数。
• R²：解释回归模型对数据变异的比例。

交叉验证
通过将数据集划分为若干子集，反复进行训练和验证，以评估模型的性能稳定性和泛化能力。

四、 优化技术

4.1 超参数优化

• 网格搜索：对所有可能的参数组合进行穷举搜索，找到最佳参数组合。
• 随机搜索：随机选择参数组合进行搜索，相对高效。
• 贝叶斯优化：利用贝叶斯推理逐步优化参数选择过程。

4.2 正则化

通过在损失函数中添加正则项，防止过拟合：

• L1正则化：加入参数的绝对值和（Lasso回归）。
• L2正则化：加入参数的平方和（Ridge回归）。

4.3 特征选择

选择对模型性能影响较大的特征，去除冗余或相关性高的特征。

五、 常见问题及解决方法

5.1 过拟合与欠拟合

• 过拟合：模型在训练集上表现良好，但在测试集上表现差。解决方法包括增加数据量、正则化、使用更简单的模型等。
• 欠拟合：模型在训练集上和测试集上都表现不佳。解决方法包括增加模型复杂度、添加更多特征等。

5.2 数据不平衡

当某一类样本数量远多于其他类时，模型可能偏向于预测多数类。解决方法包括重采样、调整分类阈值、使用加权损失函数等。

 六、入门经典案例

1. 鸢尾花数据集分类（Iris Dataset Classification）

背景

        鸢尾花数据集是机器学习领域中非常经典的数据集，由英国统计学家和生物学家Fisher在1936年提出。该数据集包含150个样本，每个样本有4个特征：花萼长度、花萼宽度、花瓣长度和花瓣宽度。目标是根据这些特征将鸢尾花分为三类：山鸢尾（Setosa）、变色鸢尾（Versicolor）和维吉尼亚鸢尾（Virginica）。

过程

1. 数据预处理：加载数据并进行基本的清洗和探索性数据分析（EDA）。
2. 特征选择：选择合适的特征来进行分类。
3. 数据划分：将数据集分为训练集和测试集，一般采用80/20或70/30的比例。
4. 模型选择：选择合适的分类算法，如K近邻（KNN）、支持向量机（SVM）、决策树（Decision Tree）等。
5. 模型训练：在训练集上训练模型。
6. 模型评估：在测试集上评估模型的性能，常用的评估指标包括准确率、混淆矩阵、F1分数等。
7. 模型优化：根据评估结果进行参数调优或选择其他模型。

详解

# 示例代码（以KNN为例） from sklearn.datasets import load_iris from sklearn.model_selection import train_test_split from sklearn.neighbors import KNeighborsClassifier from sklearn.metrics import accuracy_score, classification_report, confusion_matrix  # 加载数据 iris = load_iris() X = iris.data y = iris.target  # 数据划分 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)  # 模型训练 knn = KNeighborsClassifier(n_neighbors=3) knn.fit(X_train, y_train)  # 模型预测 y_pred = knn.predict(X_test)  # 模型评估 print("Accuracy:", accuracy_score(y_test, y_pred)) print("Confusion Matrix:\n", confusion_matrix(y_test, y_pred)) print("Classification Report:\n", classification_report(y_test, y_pred)) 

2. 房价预测（Housing Price Prediction）

背景

房价预测是回归问题的经典案例之一，通常使用波士顿房价数据集。该数据集包含506个数据点，每个数据点有13个特征（如房间数量、房龄、犯罪率等），目标是预测房屋的中位数价格。

过程

1. 数据预处理：加载数据，处理缺失值和异常值，进行EDA。
2. 特征工程：选择重要特征，并进行特征缩放。
3. 数据划分：将数据集分为训练集和测试集。
4. 模型选择：选择回归模型，如线性回归（Linear Regression）、随机森林回归（Random Forest Regression）等。
5. 模型训练：在训练集上训练模型。
6. 模型评估：在测试集上评估模型性能，常用评估指标包括均方误差（MSE）、均方根误差（RMSE）等。
7. 模型优化：根据评估结果进行参数调优或选择其他模型。

详解

# 示例代码（以线性回归为例） from sklearn.datasets import load_boston from sklearn.model_selection import train_test_split from sklearn.linear_model import LinearRegression from sklearn.metrics import mean_squared_error  # 加载数据 boston = load_boston() X = boston.data y = boston.target  # 数据划分 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)  # 模型训练 lr = LinearRegression() lr.fit(X_train, y_train)  # 模型预测 y_pred = lr.predict(X_test)  # 模型评估 mse = mean_squared_error(y_test, y_pred) rmse = mse ** 0.5 print("MSE:", mse) print("RMSE:", rmse) 

3. 手写数字识别（Digit Recognition）

背景

手写数字识别是计算机视觉中的经典问题，通常使用MNIST数据集。该数据集包含60000个训练样本和10000个测试样本，每个样本是28x28像素的灰度图像，代表手写的数字0-9。

过程

1. 数据预处理：加载数据，并进行基本的图像处理。
2. 特征工程：将图像数据展平或进行特征提取。
3. 数据划分：将数据集分为训练集和测试集。
4. 模型选择：选择分类模型，如卷积神经网络（CNN）、支持向量机（SVM）等。
5. 模型训练：在训练集上训练模型。
6. 模型评估：在测试集上评估模型性能，常用评估指标包括准确率、混淆矩阵等。
7. 模型优化：根据评估结果进行参数调优或选择其他模型。

详解

# 示例代码（以简单的多层感知机为例） from tensorflow.keras.datasets import mnist from tensorflow.keras.models import Sequential from tensorflow.keras.layers import Dense, Flatten from tensorflow.keras.utils import to_categorical  # 加载数据 (X_train, y_train), (X_test, y_test) = mnist.load_data()  # 数据预处理 X_train = X_train.reshape(-1, 28*28).astype('float32') / 255.0 X_test = X_test.reshape(-1, 28*28).astype('float32') / 255.0 y_train = to_categorical(y_train, 10) y_test = to_categorical(y_test, 10)  # 构建模型 model = Sequential([     Flatten(input_shape=(28*28,)),     Dense(128, activation='relu'),     Dense(64, activation='relu'),     Dense(10, activation='softmax') ])  # 编译模型 model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])  # 训练模型 model.fit(X_train, y_train, epochs=10, batch_size=32, validation_split=0.2)  # 评估模型 loss, accuracy = model.evaluate(X_test, y_test) print("Loss:", loss) print("Accuracy:", accuracy) 

 🌟感谢支持 听忆.-CSDN博客