机器学习建模基础教学课件-数学建模与机器学习-房贷问题建模.pptxVIP

房贷还款问题的数学建模;知识目标;1;任务描述和目标;一、数学建模的概念和方法;一、数学建模的概念和方法;一、数学建模的概念和方法;一、数学建模的概念和方法;一、数学建模的概念和方法;一、数学建模的概念和方法;数学建模可看作是把问题定义转换为数学模型的过程。对于复杂问题的建模，很难一步到位，通常需要采取一种逐步演化的方式来进行。从简单的模型开始（忽略一些难以处理的因素），然后通过逐步添加更多相关因素，让模型演化，使其与实际问题更加接近。数学建模的一般步骤如??图所示：;第一步，模型准备。了解问题的实际背景，明确建模目的，搜集必需的各种信息如数据，尽量弄清研究对象的主要特征，形成一个比较清晰的“问题”。 第二步，模型假设。根据对象的特征和建模目的，抓住问题的本质，忽略次要因素，对问题进行必要的、合理的简化假设，是关乎建模成败至关重要的一步。假设作得不合理或太简单，会导致错误或无用的模型；假设作得过分详细，试图将复杂对象的众多因素都考虑进去，会使得模型建立或求解等无法进行下去。 第三步，模型构成。根据所作的假设，用数学语言、符号描述对象的内在规律，建立包含常量、变量等的数学模型，如优化模型、微分方程模型等等。这里需要注意的是，建立数学模型是为了让更多的人明了并能加以应用，因此尽量采用简单的数学工具。;第四步，模型求解。可以采用解方程、画图形、优化方法、逻辑运算、数值运算等各种传统的和近代的数学方法，特别是数学软件和计算机技术。 第五步，模型分析。对模型求解结果进行数学上的分析，如结果的误差分析、统计分析、模型对数据的灵敏性分析、对假设的强健性分析等。 第六步，模型检验。将求解和分析结果翻译回到实际问题，与实际的现象、数据比较，检验模型的合理性和适用性。如果结果与实际不符，问题常常出现在模型假设上，应该修改、补充假设，重新建模，如上图中的虚线所示。这一步对于模型是否真的有用非常关键，有些模型要经过几次反复，不断完善，直到检验结果获得某种程度上的满意。 第七步，模型应用。将所建立的模型用来解决实际问题。;1;1; 例子2：再比如在无人驾驶汽车系统中，机器学习的任务是根据路况确定驾驶方式，例如遇到红灯时刹车、遇到行人时避让，学习的效果用事故发生概率度量，经验就是大量的人类驾驶数据。从这些数据中，机器学习算法能提取出各种路况下人类的正确驾驶方式。从而在无人驾驶模式下，根据学习的驾驶方式来操纵汽车。; 从以上例子可以看出，机器学习是对已知的样本数据（或称为经验数据）加以提炼，用数学模型完成对数据进行预测和决策的任务。在机器学习中，用于学习的样本数据称为训练数据，完成任务的方法称为模型。 机器学习有着非常广泛的应用，在日常生活中也随处可见，例如停车场出入口的车牌识别，电商网站的商品推荐，新闻头条的新闻推荐，以及人脸识别、语音输入、人机对弈等等。; 按照模型训练方式的不同，机器学习可以分为监督学习、无监督学习和强化学习。 1.监督学习：样本数据都带有相应的特征组和标签，监督学习的任务就是根据对象的特征组对标签的取值进行预测推断。; 2.无监督学习：样本数据不含标签，学习的任务通常是对数据本身的模式进行识别与分类。典型代表是： 1）聚类问题：也是将数据按模式归类，聚类问题中的类别是未知的，分类问题的类别是已知的。 例如根据用户的浏览记录推断其感兴趣的文章类别，从而为其推送。 2）降维问题：每个样本的特征组可以用一个向量表示，在许多应用中特征组维度相当高，增加了求解问题的难度，因此需要考虑对特征组进行降维处理。; 1.监督学习的主要算法有：线性回归算法、逻辑回归算法、支持向量机、朴素贝叶斯、决策树算法、神经网络算法等。 2.非监督学习的主要算法有：K均值聚类算法，DBSCAN聚类算法，主成分分析法等。 3.强化学习的主要算法有： 1）有模型强化的算法：包括值迭代、策略迭代等动态规划算法。 2）免模型的强化算法：包括时序差分型算法、策略梯度型算法。;1）实际问题抽象成数学问题 2）获取数据 3）特征工程 4）训练模型、诊断、调优 5）模型验证、误差分析 6）模型融合 7）上线运行;机器学习三要素：数据、模型、算法;任务实施;任务实施;任务实施;任务实施;作业;Thank YOU!