ABB计算变量X_原创精品文档.pdfVIP

先天下之忧而忧，后天下之乐而乐。——范仲淹

ABB计算变量X

ABB机器人学习算法可以看做学习一种目标函数（f），该函数是输入变量（X）到输出变量

（Y）的完美映射：Y=f（X）

这是一个通用的学习任务，我们希望用新输入的变量（X）能输出预测变量（Y）。我们不知

道函数（f）是什么样子的，或者什么形式的。如果我们知道的话就直接使用了，不需要再

用机器学习算法从大量的数据中学习它。

*常见的机器学习类型是学习映射Y=f（X），用它来预测Y的值。这被称为预测建模或预测

分析，我们的目标是做出*准确的预测。

对于想了解机器学习基础知识的新手，以下是数据科学家*常用的10种机器学习算法。

1.线性回归

线性回归也许是数据科学和机器学习中*知名、*好理解的算法了吧。

预测建模主要关注的是，以可解释性为基础，将模型的误差降到*小并尽量作出*准确的预测。

我们将借鉴、多次使用甚至“窃取”包括数据统计在内的多个不同领域的算法，从而达到这

一目的。

线性回归用方程表示，通过找到作为输入变量的系数（B）的特定权重来描述输入变量（x）

和输出变量（y）之间的一条线。

线性回归

例如：y=B0+B1*x

给定x的值，我们将预测y的值。同时线性回归学习算法的目标是找到系数B0和B1的值。

想从数据中建立线性回归模型，可以用不同的方法。例如用于*小二乘和梯度下降优化的线

性代数。

线性回归已经存在了200多年，并被广泛研究。通常人们会去除非常相似或相关的变量，并

从数据中去除噪声。对于新手来说，这是一个简单易上手的技术。

2.逻辑回归

逻辑回归是机器学习从统计领域借鉴的另一个技术，这是二元分类问题的首选算法。

逻辑回归与线性回归类似的一点是，目标都是找出每个输入变量加权的系数值。不同的是，

先天下之忧而忧，后天下之乐而乐。——范仲淹

输出的预测结果需要用非线性的逻辑函数进行变换。

逻辑函数看起来像一个大写的S，它可以将任何值转化成一个0到1的数值。因此，我们可

以将这一规则应用于逻辑函数的输出，将值限定在0到1之间（例如，IFlessthan0.5

thenoutput1），这样就可以预测一个组值。

逻辑回归

根据模型学习的方法，逻辑回归生成的预测也可以用作0到1之间的给定数据的概率。这对

于需要给出更多原理做出预测的问题很有用。

像线性回归一样，逻辑回归在删除与输出变量无关的属性以及非常相似的属性之后，表现得

效果更好。对于二元分类问题，这一模型很容易学习，并且效率也很高。

3.线性判别分析（LDA）

线性回归通常只适用于二元分类问题。如果类别超过两个，你可能就需要线性判别分析算法

来解决分类问题了。

LDA的表示方法非常直接。它由数据的统计属性构成，为每个类别计算。对于单个输入变量，

这包括：

每一类别的平均值；计算所有类别的差异

先天下之忧而忧，后天下之乐而乐。——范仲淹

线性判别分析

通过计算每个类别的识别值（discriminatevalue）并对具有*大值的类别进行预测，从而

做出*终的预测，该技术假定数据的分布遵循高斯分布（钟形曲线），因此在开始分析之前，

需要移除数据中的异常值。对于分类预测建模问题来说，这是一种简单而强大的方法。

4.分类与回归树

决策树是机器学习预测建模的重要算法。

决策树的模型是二叉树，这是利用算法和数据结构构建的二叉树，每个节点代表一个输入变

量（x）和该