机器学习基本概念.pptxVIP

机器学习基本概念汇报人：AA2024-01-24

机器学习定义与分类数据集与特征工程模型评估与优化方法常见算法原理剖析神经网络基础知识实践案例分析与挑战探讨contents目录

01机器学习定义与分类

定义及发展历程定义机器学习是一门跨学科的学科，它使用计算机模拟或实现人类学习行为，通过不断地获取新的知识和技能，重新组织已有的知识结构，从而提高自身的性能。发展历程机器学习的发展历程经历了从基于规则的方法到统计学习方法的转变，随着深度学习技术的兴起，机器学习进入了一个新的发展阶段。

监督学习01监督学习是指根据已知输入和输出数据进行训练，得到一个模型，然后使用该模型对新的输入数据进行预测。常见的监督学习算法包括线性回归、逻辑回归、支持向量机、决策树等。非监督学习02非监督学习是指在没有已知输出数据的情况下，通过对输入数据进行分析和挖掘，发现数据中的内在结构和规律。常见的非监督学习算法包括聚类、降维、异常检测等。半监督学习03半监督学习是介于监督学习和非监督学习之间的一种学习方法，它同时使用标记和未标记的数据进行训练。半监督学习旨在利用未标记数据来提高模型的泛化能力。监督学习、非监督学习与半监督学习

强化学习与深度学习强化学习是一种通过与环境进行交互来学习策略的机器学习方法。在强化学习中，智能体通过执行动作并观察环境反馈的奖励或惩罚来学习如何最大化累积奖励。常见的强化学习算法包括Q-learning、策略梯度方法等。强化学习深度学习是机器学习的一个分支，它使用深度神经网络来模拟人脑神经网络的结构和功能。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。常见的深度学习模型包括卷积神经网络（CNN）、循环神经网络（RNN）等。深度学习

02数据集与特征工程

包含输入特征和对应的目标变量，用于训练模型以进行预测或分类。监督学习数据集仅包含输入特征，用于发现数据中的模式或结构。无监督学习数据集数据集类型及来源

数据集类型及来源

公开数据集如UCI机器学习库、Kaggle等，提供大量可用于研究和实验的数据。企业内部数据企业运营过程中产生的数据，如用户行为、交易记录等。合作与购买数据与其他机构或公司合作获取的数据，或通过购买获得的数据。数据集类型及来源

如词袋模型、TF-IDF等，将文本转换为数值特征向量。如卷积神经网络（CNN）提取图像中的特征。特征提取与选择方法图像特征提取文本特征提取

特征提取与选择方法语音特征提取：如梅尔频率倒谱系数（MFCC）提取语音信号中的特征。

03嵌入式特征选择在模型训练过程中自动进行特征选择，如决策树、L1正则化等。01过滤式特征选择通过统计测试或评估单个特征与目标变量的相关性来选择特征。02包裹式特征选择通过模型性能来评估特征子集的重要性，并选择最佳特征组合。特征提取与选择方法

处理缺失值如填充缺失值、删除含有缺失值的样本等。处理异常值如使用标准差或四分位数范围等方法识别并处理异常值。数据预处理技术

VS将特征值缩放到均值为0，标准差为1的分布。归一化将特征值缩放到[0,1]或[-1,1]的范围内。标准化数据预处理技术

对数变换：对特征值取对数，以处理偏态分布的数据。数据预处理技术

独热编码（One-HotEncoding）将类别型特征转换为二进制向量。要点一要点二标签编码（LabelEncoding）将类别型特征转换为整数标签。数据预处理技术

03模型评估与优化方法

训练集（TrainingSet）用于训练模型，通过梯度下降或其他优化算法更新模型参数。验证集（ValidationSet）用于在训练过程中验证模型的性能，帮助调整超参数和选择最佳模型。测试集（TestSet）用于评估模型的泛化能力，即模型在未见过的数据上的性能。训练集、验证集和测试集划分原则练集、验证集和测试集划分原则在划分数据集时，应遵循以下原则相互独立：训练集、验证集和测试集应相互独立，避免数据泄露。分布一致：三个数据集的数据分布应与整体数据集保持一致，以确保评估结果的可靠性。比例合理：根据数据量大小，合理分配训练集、验证集和测试集的比例。通常建议的比例为70%：15%：15%或60%：20%：20%。

损失函数和性能指标介绍用于衡量模型预测值与真实值之间的差异，指导模型的优化方向。常见的损失函数有均方误差（MSE）、交叉熵（Cross-Entropy）等。损失函数（LossFunction）用于评估模型性能的量化指标，如准确率（Accuracy）、精确率（Precision）、召回率（Recall）、F1分数（F1Score）等。性能指标（PerformanceMetrics）

模型调优策略探讨超参数调整：通过调整模型的超参数（如学习率、批次大小、正则化系数等）