课堂笔记-人工智能引论-20261014
(复习)Matplotlib使用步骤
- 准备数据(导入Numpy/Pandas,清洗/构建数据集)
- 创建画布
- 绘制图形(选择图形类型,传入x/y坐标)
- 设置样式(标签/网格/颜色/字体等)
- 显示图形
# 补充:设置中文字体
plt.rcParams['font.sans-serif'] = ['Simhei']
Scikit-learn 使用步骤
- 加载数据集
- 数据预处理
- 数据集划分
- 模型训练
- 模型评估
机器学习概念
机器学习的概念:程序在任务T上的性能,按照标准P来测量,会随着经验E的积累而提高。
样本:一个独立的观测或数据实例
特征:描述样本的若干属性
例如:某个学生是样本,那么出勤率/作业平均分就是他的特征
标签:样本对应的结果/目标值/正确答案
模型:从数据中学习到的映射规则,能将输入特征转换为输出结果。
训练:让模型从数据中学习规律的过程
参数:模型训练得到,反映数据的数量关系和规律
超参数:人为添加,作为模型的训练规则
训练集/验证集/测试集:三者严格隔离,模型训练过程中不能接触测试集的数据,以防结果失去可信度
学习算法:从数据中生成模型的具体方法(如线性回归算法 / 决策树算法)
机器学习分类
- 监督学习
- 半监督学习
- 无监督学习
- 强化学习
监督学习:模型从已标注数据训练,通过学习这些标签和输入的关系进行预测
监督学习的应用场景:身份验证 / 自然语言处理 / 医学诊断 / 气象预测
无监督学习:模型从未标注数据训练,从数据中发现模式和结构(聚类算法 / 降维算法)
半监督学习:模型从已标注和未标注的混合数据训练
半监督学习的应用场景:网页分类 / 医学影像分析 / 工业质检
强化学习:研究智能体在未知环境中通过试错交互,以最大化长期累计奖励为目标,学习最优决策策略
强化学习的应用场景:机器人 / 游戏 / 智驾 / 自然语言处理 / 医疗
监督学习简介
监督学习的算法分类:
- 回归算法
- 分类算法(逻辑回归算法 / KNN算法 / 决策树算法)
监督学习的学习流程:
预处理 => 训练学习 => 验证 => 预测
监督学习的回归算法
一元线性回归模型:
多元线性回归模型:
(训练模型的过程就是拟合k值)
线性回归的均方误差(MSE):
最小二乘法求线性回归(略)
梯度下降法求线性回归(略)