《机器学习Python实战》课件 01-项目1 机器学习认知优化

机器学习

项目1

机器学习认知1什么是机器学习2机器学习的分类目录CONTENTS01什么是机器学习山鸢尾(setosa)、变色鸢尾(versicolor)和维吉尼亚鸢尾(virginica)如何让机器识别下面的鸢尾花分别属于哪一个类别？什么是机器学习什么是机器学习什么是机器学习模型

训练数据输出结果样例输入机器学习算法机器学习就是通过算法，使得机器能从大量历史数据中学习规律，并利用规律对新的样本做智能识别或对未来做预测。什么是机器学习模型

训练数据输出结果样例输入机器学习算法

与传统的为解决特定任务而实现的各种软件程序不同，机器学习是用大量的数据来“训练”，通过各种算法从数据中学习如何完成任务。什么是机器学习模型历史数据训练输入新的数据预测未知属性规律经验归纳输入新的问题预测未来机器学习人类什么是机器学习机器学习是研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。什么是机器学习人工智能>机器学习>深度学习什么是机器学习人工智能是目标机器学习是手段深度学习是方法02机器学习的分类机器学习的分类按学习目标的不同强化学习监督学习根据训练数据是否有标注监督学习无监督学习无监督学习机器学习的分类1.监督学习机器学习的分类1.监督学习分类回归机器学习的分类1.监督学习（1）分类问题f(x)=1f(x)=0x2x1有心脏病患者无心脏病患者分类示例图在分类问题中，机器学习的目标是对样本的类标签进行预测，判断样本属于哪一个分类，结果是离散的数值。机器学习的分类1.监督学习新图片（1）分类问题课程导入如何衡量模型的好坏?在机器学习中,我们如何科学、客观地评价一个分类模型的性能?本节课,我们将深入探讨分类模型最核心的几个评估指标,帮助大家理解如何从不同维度衡量模型的预测效果。混淆矩阵的四大基石真实\预测真实情况预测:正类Positive预测:负类Negative真实:正类PositiveTP真正例FN假反例真实:负类NegativeFP假正例TN真反例TPTruePositive真实为正,预测为正。TNTrueNegative真实为负,预测为负。FPFalsePositive真实为负,预测为正(误报)。FNFalseNegative真实为正,预测为负(漏报)。指标详解(1)01准确率Accuracy定义模型正确预测的样本数占总样本数的比例。公式(TP+TN)/(TP+TN+FP+FN)解读衡量模型的整体判断能力。局限在数据不平衡时会产生误导。02精确率Precision定义预测为正类的样本中,真正为正类的比例(查准率)。公式TP/(TP+FP)解读衡量预测结果的"准确性",关注减少"误报"。指标详解(2)召回率Recall定义:所有真实正类样本中,被模型成功预测出来的比例(查全率)。公式TP/(TP+FN)解读:衡量预测结果的"全面性",关注减少"漏报"。F1分数F1Score定义:精确率和召回率的调和平均数。公式2×(Precision×Recall)÷(Precision+Recall)解读:综合了精确率和召回率,在两者之间取得平衡。指标对比与适用场景01准确率Accuracy衡量整体正确率适用于均衡数据集02精确率Precision衡量准确性(宁缺毋滥)适用于需减少误报的场景如垃圾邮件过滤03召回率Recall衡量全面性(宁可错杀)适用于需减少漏报的场景如癌症筛查04F1分数F1Score精确率和召回率的综合体现适用于不均衡数据集或需平衡两者的场景总结与思考准确率整体正确率精确率预测准确性召回率预测全面性F1分数综合平衡课堂思考题在一个预测"用户是否会点击广告"的场景中,如果广告位非常昂贵,我们希望每一次点击都是真实有效的潜在客户,此时我们应该更关注哪个指标?为什么?机器学习的分类（2）回归问题yoxyox回归示例图回归线线性回归预测1.监督学习机器学习的分类（2）回归问题机器学习算法根据输入的房子大小数据，预测出房子对应的市场价。1.监督学习机器学习的分类2.无监督学习借助无监督学习细分用户无监督学习中给定的数据没有标签。目标：以某种方式组织数据，然后找出数据中存在的内在结构，包括将数据进行聚类，或者找到更简单的方式处理复杂数据，使复杂数据看起来更简单。机器学习的分类2.无监督学习聚类机器学习的分类2