机器学习及其算法与应用研究.pdfVIP

ISSN1009-3044 E-mail:eduf@ ComputerKnowledgeandTechnology 电脑知识与技术 ComputerKnowledgeandTechnology电脑知识与技术 Vol.13,No15, May 2017 Tel:+86-55165690964 机器学习及其算法与应用研究 夏 天 （珠海市斗门一中高二(1) 班），广东珠海519000） 摘要：随着智能化时代的到来，机器学习已成为一个热门的研究领域。作为人工智能的核心技术，机器学习涉及包括统计 学，概率论，算法复杂度等多个学科，以研究如何模仿和学习人类行为，通过机器的自我学习从而获得整体的性能，甚至新 知识、技能的自行优化和探索。机器学习的本质是模型的建立和算法的研究，能通过经验和大量的学习样本自动优化模 型和算法标准，不断贴合实际发展，因此当前主要应用于智能机器人，数据挖掘，生物识别监测，推荐算法等领域 关键词：机器学习分类；算法相似性；应用与发展 中图分类号：TP18 文献标识码：A 文章编号：1009-3044(2017)15-0156-02 1概述 2.2 回归 在经典著作《机器学习》中对于该学科的认知是“利用经验 指的是数学里的一种分析方式，研究一组随机变量和另一 改善系统自身的性能。”这种对经验的运用即人类的学习能力， 组随机变量之间的关系。最简单的一种回归分析即为一元线 通过工作的重复和叠加，形成系统性的模型，并在此基础上持 性关系。机器学习研究的是标识好的数据和已有的模型/函数 续优化模型，使得后续工作执行得更好。这种学习方式形成循 之间的关系，能将新输入未识别的样本归纳到相关的模型中， 环的反馈，促使系统获得经验并改进性能。 因此，回归的结果也是分类的一种依据或先提条件。但回归与 这样的学习能力是否通过塑造模型和算法而搬迁至机器， 分类的不同在于回归里研究的是实数，而分类研究的是离 也就是我们现在所说的计算机中？这便是机器学习的真正意 散值。 义，而人工智能即是当前研究的成果。 2.3聚类 机器学习的研究需要以神经网络，统计分类等统计学，生 聚类的对象是没有被标注的数据，只是杂乱的样本，通过 物学为基础，让机器模拟人类学习过程。对此需要输入巨量的 聚类对这些样本进行分类，这种分类是利用样本间的关系。聚 数据和学习样本以形成人类所知的“经验”，不断重复拆分、回 类的结果与分类不同的是，分类前已有分好的类别模型，但聚 归、聚合，最终得到元素间的关系并可依此形成类似经历的判 类出来的类别事先没有被识别标注，可将聚类的结果再次研 断和预测。因此也应用于数据挖掘，大数据处理等基于海量数 究，创建新的分别和标注。 据的预测。 2.4规则抽取 机器学习的本质在于数据的整合归纳，模型的建立和算法 的改进。在整个学习过程中，最基本的条件是持续的外界反 规则抽取是除了能识别新样本的类别外，还对分析样本间 馈，以某种方式形成的外界信息源，运用算法将获取的外部信 属性的关系进行统计分析。 息加工成为“经验”，并储备在内在的数据库里。数据库根据建 3机器学习的算法 立的原则和规律提供执行的行动，而行动过程中获得的外界信 机器学习本质研究的是算法，如何解决问题取决于算法的 息又成为了新的反馈来源，对下一次的行为提供新的指