《人工智能导论》知识思维导图梳理【第7章节】

2023-12-15 21:42:45

说明

  • 《人工智能导论》知识思维导图梳理【1~5章节
  • 《人工智能导论》第七章知识思维导图梳理,本文整理相对重要的内容,助力快速复习和整体知识梳理。
  • 这里由于是参考导论课程教材学习梳理,有关机器学习算法,并没有进行梳理

专家系统

在这里插入图片描述

机器学习

机器学习定义

在这里插入图片描述

工作流程

在这里插入图片描述

模型评估

在这里插入图片描述

机器学习分类

在这里插入图片描述

机器学习部分md内容

  • xmind的绘图使用以下的内容进行绘制,需要完善的同学可以直接拿去使用!

机器学习

1 机器学习定义

机器学习是从数据中自动分析获得模型,并利用模型对未知数据进行预测

机器学习(machine learning)使计算机能模拟人的学习行为,自动地通过学习来获取知识和技能,不断改善性能,实现自我完善

一个学习系统一般由环境、学习、知识库、执行与评价四个基本部分组成

2 机器学习过程

机器学习工作流程总结

1.获取数据
2.数据基本处理
3.特征工程
4.机器学习(模型训练)
5.模型评估

  • 数据采集:爬虫、API、数据库

  • 数据处理:数据清洗

  • 特征工程

    • 特征工程指的是把原始数据转变为模型的训练数据的过程,它的目的就是获取更好的训练数据特征

    • 数据和特征决定了机器学习的上限,而模型和算法只是逼近这个上限而已

    • 包括特征构建、特征提取、特征选择三个部分

      • 特征构建:指从原始数据中人工的找出一些具有物理意义的特征

      • 特征提取:通过映射(变换)的方法把高维的特征向量变换为低维的特征向量

      • 特征选择:从原始特征中挑选出一些最有代表性、分类性能好的特征以达到降低特征空间维数的目的

  • 构建模型

    • 1.建立训练数据集和测试数据集,通常80%为训练数据集。

      1. 选择机器学习算法
      • 导入算法

      • 创建模型

      • 训练模型

  • 模型调优

    • 选择合适的算法对模型进行训练

    • f(x)学习模型,泛化能力是指机器学习算法对新鲜样本的适应能力

  • 模型评估

    • 模型评估主要分为离线评估和在线评估两个阶段

    • 模型评估指标

      • 准确率

        • 正确分类的样本数除以所有的样本数,通常来说,正确率越高,分类器越好
      • 精确率和召回率

        • 精确率

          • 正确分类的正样本个数/分类器判定为正样本的样本个数
        • 查准率和查全率是一对矛盾的度量。一般说查准率高时,查全率往往偏低,而查全率高时,查准率往往偏低

        • 召回率

          • 正确分类的正样本个数占真正的正样本数的比例
        • 例如:true这列表示正例或者负例,hyp这列表示阈值0.5的情况下,概率是否大于0.5。
          根据这个表格我们可以计算:TP=6,FN=0,FP=2,TN=2。故recall=6/(6+0)=1,
          precison=6/(6+2)=0.75,那么得出坐标(1,0.75)。同理得到不同阈下的坐标,即可绘制出曲线。

          • 若一个PR曲线被另一个PR曲线完全包住,则可断言后者的性能优于前者,如A曲线优于C曲线,如果两个曲线发生了交叉,如A和B曲线,则很难判断判断优劣,只能在具体的查准率或查全率条件下进行比较

          • “平衡点”(Break-Even Point,简称“BEF”)就是这样一个度量,它是查准率=查全率时的取值

    • 模型评估方法

      • 交叉验证

        • 首先将全部样本划分成K个大小相等的样本子集,每个子集都尽可能保持数据分布的一致性,即从D中通过分层采样得到,然后每次用K-1个子集的并集作为训练集,余下的那个子集作为测试集,这样就可以获得K组训练集/测试集,从而可进行K次训练和测试,最终返回的是K个测试结果的均值。

3 机器学习分类

按照学习方式分

  • 监督学习(根据数据标签存在与否)

    • 监督学习

    • 半监督学习

    • 非监督学习

  • 强化学习

按照学习任务分

  • 分类

    • 交叉验证法评估结果的稳定性和保真性在很大程度上取决于K的取值,为强调这一点,通常把交叉验证称为“K折交叉验证”,K的最常取值为10,称为10折交叉验证

    • 分类是预测一个标签 (是离散的),属于监督学习

  • 回归

    • 回归是预测一个数量 (是连续的),属于监督学习
  • 聚类

    • 属于无监督学习(基于数据的内部结构寻找观察样本的自然族群(即集群)。使用案例包括细分客户、新闻聚类、文章推荐等。)

特征提取:将原始特征转换为一组具有明显物理意义或者统计意义或核的特征,特征提取会改变原来的特征空间。

特征选择:从特征集合中挑选一组最具统计意义的特征。与原特征集合之间是一种包含的关系,没有更改原始的特征空间。

文章来源:https://blog.csdn.net/yang2330648064/article/details/135024678
本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。