从零开始的 AI 学习-1-入门机器学习

基本概念

特征（Feature）

• 数据中的属性或变量，用于描述样本。

• **示例**：在房价预测中，房屋面积和房间数量是特征。

标签（Label）

• 监督学习中目标变量的真实值，用于训练模型。

• **示例**：房价预测中的真实房价。

模型

• 描述输入与输出之间映射关系的数学函数。

• **示例**：线性回归模型：$y = w \cdot x + b$

模型训练与测试

• **训练集**：用于学习模型参数。

• **测试集**：用于评估模型性能。

模型评估

• 通常，使用一些指标来衡量模型的性能，如：

• 准确率

• 精确率

• 召回率

• F1 分数

• 等

监督学习（Supervised Learning）

• **输入与输出：**

• 输入：特征数据（如房价预测中的房屋面积、房间数量等）

• 输出：标签（如对应房价）

• **目标：**

• 学习一个映射函数 $f(x)$ 将输入 $x$ 映射到输出 $y$。

• **任务类型：**

• **分类任务**：输出为离散类别（如垃圾邮件检测、疾病诊断）。

• **回归任务**：输出为连续值（如房价预测、股票价格预测）。

• **示例算法：**

• 线性回归

• 逻辑回归

• 决策树

• 支持向量机（SVM）

无监督学习（Unsupervised Learning）

• **输入：**

• 只有特征数据，没有对应标签。

• **目标：**

• 找到数据的潜在结构或分布模式。

• **任务类型：**

• **聚类**：将数据划分为多个组（如客户分群）。

• **降维**：减少数据的维度，保留主要信息（如 PCA 降维）。

• **示例算法：**

• K-means

• 主成分分析（PCA）

• 层次聚类

半监督学习（Semi-Supervised Learning）

• 数据中只有一部分是有标签的，其余是无标签的。

• 通过结合监督和无监督方法，提高模型性能。

强化学习（Reinforcement Learning）

• 通过试错和环境交互，学习策略以获得最大化的奖励。

• 应用于游戏 AI、自动驾驶等。