当前位置：首页 > article >正文

机器学习-02-机器学习算法思想以及在各行各业的应用

article 2025/2/27 23:15:28

总结

本系列是机器学习课程的第02篇，主要介绍机器学习算法思想以及在各行各业的应用

本门课程的目标

完成一个特定行业的算法应用全过程：
在这里插入图片描述
定义问题（Problem Definition） -> 数据收集(Data Collection) -> 数据分割(Dataset Spit up) -> 模型训练(Model Training) -> 模型评估(Model Evaluation) -> 应用部署(System Deployment) -> 改变世界(Impact the world)！

作者：adi0229
链接：「ML笔记」- 机器学习生命周期（Machine Learning Lifecycle）

懂业务+会选择合适的算法+数据处理+算法训练+算法调优+算法融合
+算法评估+持续调优+工程化接口实现

机器学习算法思想

机器学习类别

在这里插入图片描述

机器学习过程

在这里插入图片描述

梯度下降法延伸阅读：https://www.zhihu.com/question/37513411

在这里插入图片描述

在这里插入图片描述
https://playground.tensorflow.org/

机器学习模型选择

01 欠拟合与过拟合

在这里插入图片描述

02 正则化

在这里插入图片描述

∧λ lambda 兰布达
Θθ theta 西塔
L1和L2正则化通俗理解 https://blog.csdn.net/shadowismine/article/details/134182386

03 奥卡姆剃刀原则

在这里插入图片描述

04 交叉验证

在这里插入图片描述

判别模型与生成模型

https://www.zhihu.com/tardis/bd/ans/1661760071
在这里插入图片描述

参数化模型与非参数化模型

在这里插入图片描述

机器学习算法任务类别

机器学习的任务将其分为预测和描述两大类。机器学习的任务主要集中在回归、分类、预测、关联、聚类、异常检测六个方面，前三个属于预测性任务，后三个属于描述性任务。

预测任务的目标是根据自变量属性的值，预测因变量属性的值，用来做预测的属性称为自变量（independent variable）或是特征（features），被预测的属性值称为因变量（dependent variable）或是标签（label）。

描述任务的目标是导出概括数据中潜在联系的模式（关联、趋势、聚类、轨迹和异常），本质上，描述性的任务大都是探查性的，并且对导出的模式进行技术验证和解释结果。

类/概念描述：特征和区分

类/概念描述就是通过对某类对象的关联数据进行处理、汇总和分析，概括这类对象的属性特征，再用精简的的方式对此类对象的内涵进行描述。
类/概念描述分为特征性描述和区别性描述两种。

特征性描述是指从某类对象关联的数据中提取出这类对象的共同特征（属性）。比如某商场数据库中的商品销售情况，对于商品的销售数据，共同的特征可以包括销售地点，商品名称，销售额度，销售数量等，对应商品类的数据，都具有以上所述的四个属性（特征），将特征性描述进行输出得到下图1-4表格的形式，也可以输出为图表的形式，参考图1-5。