机器学习基础

什么是机器学习？

机器学习（Machine Learning, ML）是人工智能的一个分支，它使计算机系统能够从数据中学习并改进，而无需进行显式编程。

主要类型

1. 监督学习 (Supervised Learning)

• 概念：使用带有标签的数据集进行训练，模型学习输入与输出之间的映射关系。
• 例子：图像分类、垃圾邮件检测、房价预测。
• 常见算法：
  • 线性回归 (Linear Regression)
  • 逻辑回归 (Logistic Regression)
  • 支持向量机 (Support Vector Machine, SVM)
  • 决策树 (Decision Tree)
  • 随机森林 (Random Forest)

2. 无监督学习 (Unsupervised Learning)

• 概念：使用没有标签的数据集进行训练，模型自行发现数据中的结构和模式。
• 例子：聚类分析、降维、异常检测。
• 常见算法：
  • K-均值聚类 (K-Means Clustering)
  • 主成分分析 (Principal Component Analysis, PCA)
  • DBSCAN

3. 强化学习 (Reinforcement Learning)

• 概念：智能体（Agent）通过与环境交互学习，根据获得的奖励或惩罚来优化其行为策略。
• 例子：游戏 AI（如 AlphaGo）、机器人控制、推荐系统。
• 关键概念：状态、动作、奖励、策略、价值函数。

常用工具库

• Scikit-learn: Python 中最流行的通用机器学习库。
• TensorFlow: Google 开发的端到端开源机器学习平台。
• PyTorch: Facebook 开发的开源机器学习库，以其灵活性和易用性著称。

模型评估

• 分类问题：准确率、精确率、召回率、F1 分数、AUC-ROC 曲线。
• 回归问题：均方误差 (MSE)、均方根误差 (RMSE)、平均绝对误差 (MAE)。

更多内容持续更新中...