《现代AI基础》(微课视频版)第4章 课后思考题答案

第4章课后思考题答案1.B2.C3.B4.B5.C6.C7.C8.B9.机器学习是人工智能的分支，指让计算机从海量数据中自动学习规律与模式，无需人为逐条编写规则，利用算法不断优化模型，进而完成预测、分类、识别、决策等任务。重要性提升效率：替代人工完成重复、海量的数据处理工作，大幅降低人力成本。挖掘数据价值：从复杂数据中发现隐藏规律，为企业、行业决策提供依据。赋能各行各业：广泛应用于医疗、金融、交通、教育、工业等领域，推动产业数字化、智能化升级。拓展技术边界：支撑语音识别、计算机视觉、自动驾驶等前沿技术落地，改善生活与生产方式。10.完整流程：数据采集→数据预处理→特征工程→划分数据集→选择模型与训练→模型评估→模型调优/部署数据采集：收集业务相关原始数据，是模型训练的基础，数据质量直接决定最终效果。数据预处理：清洗缺失值、异常值、重复数据，统一数据格式，去除无效噪声，让数据可用于后续处理。特征工程：筛选、构造、转换有效特征，提炼数据核心信息，提升模型学习效率与精度。划分数据集：将整体数据分为训练集、验证集、测试集；训练集用于训练模型，验证集用于中途调参，测试集用于最终检验泛化能力。模型选择与训练：根据业务场景挑选算法，使用训练集让模型学习数据规律，生成初步模型。模型评估：用评价指标（准确率、误差等）在测试集上检测模型效果，判断模型是否达标。模型调优/部署：效果不佳则通过调参、更换特征、换算法优化模型；效果达标则上线部署，投入实际使用。相互关系：各环节依次递进、环环相扣，前序环节的质量会直接影响后序结果，流程可循环迭代优化。11.核心区别数据标签不同监督学习：使用带标签的数据（已知输入和对应的正确输出）；无监督学习：使用无标签的数据，只有输入，没有预设输出结果。学习目标不同监督学习：学习输入与输出的映射关系，用于分类、回归预测；无监督学习：挖掘数据内部结构、分布、关联，实现聚类、降维、关联分析。应用场景监督学习图像识别：标注好的猫狗图片训练模型，实现猫狗分类；房价预测：用历史房价、户型、地段等标签数据，预测新房价格。无监督学习用户分群：电商根据消费行为对客户聚类，做精准营销；异常检测：对设备运行数据聚类，识别偏离正常状态的故障数据。12.常见监督学习算法线性回归、逻辑回归、决策树、支持向量机（SVM）、随机森林、K近邻（KNN）等。举例：线性回归（回归任务）工作原理：用于连续数值预测。假设输入特征与预测目标之间存在线性关系，构建线性方程模型通过训练数据不断求解、优化权重和偏置，最小化预测值与真实值之间的误差，最终得到最优线性模型，实现对新数据的数值预测。13.案例：电商用户聚类（K-Means算法）电商平台积累海量用户浏览、加购、消费、复购等行为数据，数据无明确标签。利用K-Means无监督算法对用户自动聚类，划分出高消费人群、平价刚需人群、潜在流失人群等不同群体。应用价值精细化运营：针对不同客群推送差异化商品、优惠券，提升转化率与销售额。降低人工成本：无需人工标注用户类型，自动完成海量用户分组，高效挖掘用户特征。发现潜在规律：挖掘用户隐藏的消费偏好，辅助商品上架、店铺布局等商业决策。异常挖掘：结合聚类识别刷单、恶意账号等异常用户，维护平台秩序。14.欠拟合概念：模型学习能力不足，未能捕捉数据的基本规律。表现：在训练集、测试集上效果都很差。影响：模型完全无法适配业务数据，预测、分类结果误差极大，基本不具备使用价值。过拟合概念：模型过度学习训练集中的噪声、个别特例，把局部特征当成通用规律。表现：在训练集上效果极好，在未知测试集上效果很差。影响：模型泛化能力弱，面对新数据时严重出错，无法落地实际场景。15.重要性特征是模型学习的“素材”，优质特征比复杂算法更能决定模型上限。特征工程能剔除冗余、无效信息，提炼核心数据特征，简化模型学习难度，显著提升模型精度、稳定性和运行效率，是机器学习中至关重要的环节。常见方法特征清洗：处理缺失值、异常值、重复特征；特征转换：归一化、标准化、离散化、文本向量化；特征选择：剔除无关、冗余特征，减少维度（降维）；特征构造：基于原有特征组合、计算生成新的有效特征。16.一、模型选择与调优过程模型初选：根据业务类型（分类/回归/聚类）、数据规模，初步挑选适配的机器学习算法。初步训练：使用默认参数训练模型，得到基准效果。问题定位：根据评估结果，判断模型存在欠拟合、过拟合或精度不足等问题。参数调优：调整模型超参数，反复训练、验证。对比筛选：对比不同算法、不同参数组合的效果，选出综合最优模型。二、常用调优方法网格搜索：遍历预设的参数组合，筛选出效果最优参数，适用参数较少场景。随机搜索：随机抽取参数组合测试，效率高于网格搜索