人工智能通识 课件 第三章 机器学习基础

人工智能通识：新技术与创新实践主编：唐志航，罗雅博回归、分类与聚类算法简介PART01监督学习与非监督学习PART02目录CONTENTS回归、分类与聚类算法简介01回归、分类与聚类算法简介01

1.线性回归:最简单的起点线性回归是最简单也最常用的预测方法,就像我们在数学课上学过的画直线一样。生活中的例子:

•根据学习时间预测考试成绩。

•根据房屋面积预测房价。

•根据气温预测用电量。工作原理:想象你要预测房价。你发现房子越大,价格越高,这就是一种线性关系。线性回归就是在数据点中画一条最合适的直线,然后用这条直线来预测新房子的价格,如图3-2所示。一、回归算法:预测连续值01回归、分类与聚类算法简介图3-2线性回归示意图回归、分类与聚类算法简介01就像图中显示的,我们通过已知的房屋面积和价格数据点,画出一条最佳拟合直线,然后就能预测任何面积房屋的大概价格。2.其他回归方法简介•多项式回归:当关系不是直线而是曲线时使用,比如温度和冰淇淋销量的关系。•决策树回归:像玩“20个问题”游戏一样,通过一系列判断来预测结果。二、分类算法:预测类别分类算法像一个“分拣员”,把东西分到不同的类别里,比如邮件是垃圾邮件还是正常邮件。01回归、分类与聚类算法简介

1.决策树分类:像医生一样思考决策树就像医生诊断疾病的过程,通过问一系列问题来得出结论。模型结构可以直观地显示为一棵树。生活例子:决定是否去游泳

•第一个问题:今天天气好吗?如果天气不好→不去游泳如果天气好→继续问下一个问题

•第二个问题:水温合适吗?如果水温太冷→不去游泳如果水温合适→去游泳如图3-3所示通过决策树的可视化呈现,展示其如何通过一系列问题将数据分成不同类别的树状结构过程。01回归、分类与聚类算法简介图3-3决策树分类示意图例如,预测信用风险时,决策树可首先检查收入,然后是工作年限,最后是历史信用记录,最终给出“高风险”“中风险”或“低风险”的判断。01回归、分类与聚类算法简介

2.其他分类方法

•K近邻算法:根据“物以类聚”的原理,看看周围邻居是什么类别来判断。

•朴素贝叶斯:像侦探一样,根据各种线索的概率来推断结果。

•逻辑回归:虽然名字叫回归,但实际是计算属于某类别的概率。实际应用:

•邮箱自动识别垃圾邮件。

•银行判断信用卡交易是否异常。

•医院根据症状初步诊断疾病类型。01回归、分类与聚类算法简介三、聚类算法:发现隐藏的群体聚类算法像一个“群体发现者”,在没有标准答案的情况下,自动发现数据中的自然分组。

1.K-均值聚类:找到数据的“小圈子”

K-均值聚类就像在学校里观察学生自然形成的朋友圈,算法会自动找到相似特征的数据聚集在一起。工作步骤(用交友举例):

•先猜测会有几个朋友圈(比如3个)

•随机选择3个“圈子中心”

•每个学生加入离自己最近的圈子

•重新计算每个圈子的中心位置

•重复3~4步,直到圈子稳定不变

K-均值简单高效,易于实现,但需要预先指定K值,且受初始中心点的选择影响。下图展示聚类算法如何将相似数据点分组,形成不同的簇。01回归、分类与聚类算法简介图3-4K-均值聚类示意图01回归、分类与聚类算法简介

2.聚类的实际应用

•市场营销:根据购买行为将顾客分成不同群体,制定针对性营销策略

•社交网络:发现有共同兴趣的用户群体

•城市规划:根据居民特征划分社区类型01回归、分类与聚类算法简介四、如何选择合适的算法选择算法就像选择工具,不同的问题需要不同的工具及方法,如图3-5所示。选择合适的机器学习算法需要考虑多个因素,下图展示了机器学习算法选择流程图,帮助同学们理解如何根据问题类型选择合适的机器学习算法。01回归、分类与聚类算法简介01你想要什么样的答案?02你的数据是什么样的?03实际考虑因素:04生活中的算法选择例子:监督学习与非监督学习02监督学习与非监督学习02项目前景一、监督学习:有标签的学习什么是监督学习?01监督学习的学习过程02模型训练与评估03过度拟合问题04监督学习的应用0502二、非监督学习:发现数据中的秘密04非监督学习的应用03评估难题01什么是非监督学习?02非监督学习的主要任务监督学习与非监督学习02监督学习与非监督学习三、监督学习与非监督学习的比较通过上述对于监督学习以及非监督学习概念的了解,我们将两种学习的特点进行比较,见表3-1。02监督学习与非监督学习如图3-6所示,直观对比了两种主要学习范式的区别,展示了有标签数据与无标签数据的处理方式。图3-6监督学习与非监督学习比较02监督学习与非监督学习四、其他学习类型简介除了监督学习和非监督学习,还有其他值得了解的学习类型:半监督学习:结合少量有标签数据和大量无标签数据。这种方法在标注数据昂贵或困难的情况下特别有用,如医学图像分析。强化学习:通过尝试和错误来学习最佳行动策略。计算机(或“智能体”)在环境中执行动作,根据获得的奖励或惩罚调整策略。应用于游戏、机器人控制等领域。本章介绍了机器学习的基本概念和主要方法。我们学习了监督学习和非监督学习的区别,以及回归、分类和聚类三类基本算法。机器学习通过从数据中学习模式和规律,使计算机能够执行复杂任务而无须明确编程。02监督学习与非监督学习随着数据量的增长和计算