Matlab机器学习02.pdf

机器学习快速入门 极少一帆风顺 在机器学习中，极少能够自始至终一帆风顺——您将会发现自己始终在 改变和尝试各种不同思路和方法。本章介绍系统化机器学习工作流程， 重点介绍整个流程中的一些关键决策点。 机器学习的挑战 大多数机器学习挑战都与数据处理和查找正确的模型相关。 数据会以各种形式和大小出现。真实数据集可能比较混乱、不完整， 并且采用各种不同格式提供。您可能只有简单的数值型数据。但有时您 要合并多种不同类型的数据，例如传感器信号、文本，以及来自于相机的 图像数据流。 预处理数据可能需要掌握专业知识和工具。例如，对象检测算法训练中 的特征选取，需要掌握图像处理领域的专业知识。不同类型的数据 需要采用不同的预处理方法。 找到拟合数据的最佳模型需要时间。如何选择正确的模型是一项平衡 过程。高度灵活的模型由于拟合了噪声的细微变化而造成了过度拟合。 另一方面，简单的模型可能要有更多的假设条件。这些始终是在模型 速度、准确性和复杂性之间权衡取舍。 听起来很让人望而生畏？不要泄气。要记住，反复尝试和出错才是机器学 习的核心——如果一个方法或算法不起作用，只需尝试另一个。但系统化 工作流程有助于创造一个顺利的开端。 机器学习快速入门 3 开始之前需要考虑的问题 每个机器学习工作流程都从以下三个问题开始： • 您要处理哪种类型的数据？ • 您想要从中获得哪些洞察力？ 机器学习 • 这些洞察力将如何应用以及在哪里应用？ 回答这些问题有助于确定您采用监督式学习还是无监督学习。 监督式学习 无监督学习 在以下情况下选择监督式学习：您需要训练模型进行预测 （例如温度和股价等连续变量的未来值）或者分类（例如 根据网络摄像头的录像片段确定汽车的技术细节）。 分类 回归 在以下情况下选择无监督学习：您需要深入 了解数据并希望训练模型找到好的内部表示 形式，例如将数据拆分到集群中。 机器学习快速入门 4 工作流程概览 4. 使用第 3 步推导 1. 访问和加载数据。 的特征训练模型。 2. 预处理数据。 5. 通过迭代找到最佳模型。 3. 使用预处理数据推导特征。 6. 将经过最佳训练的模型 集成到生产系统中。 在接下来的章节中，我们将以健康监控应用程序为例更详细地介绍具 体步骤。整个工作流程将在 MATLAB® 中完成。 机器学习快速入门 5 训练模型对身体活动进行分类 本示例基于手机的健康监控应用程序。输入数据包含通过手机的加速 计和陀螺仪提供的三轴传感器数据。获得的响应（或输出）为日常的身 体活动，例如步行、站立、跑步、爬楼梯或平躺。 我们希望使用输入数据训练分类模型来识别这些活动。由于我们的目 标是分类，因此我们将应用监督式学习。 经过训练的模型（或分类器）将被集成到应用程序中，帮助用户跟踪记 录全天的身体运动水平。 机器学习 机器学习快速入门 6 1 步骤 1 ：加载数据 要加载加速计和陀螺仪的数据，我们要执行以下操作： 1.