实验11 机器学习基础与Scikit-learn基础.pptxVIP

机器学习基础与Scikit-learn基础实验十一

课程学习目标?了解机器学习基本概念?熟悉Scikit-learn基础知识?熟悉Scikit-learn数据集及应用

什么是机器学习机器学习属于人工智能领域的一门学科，其目标是让计算机从数据中自动学习模式，并利用学到的模式来进行预测和决策。与传统的编程方法不同，机器学习不需要明确的规则或者逻辑，它能够自动从数据中学习，并不断优化其预测或者决策的准确性。机器学习是一种数据分析技术，让计算机执行人与生俱来的活动：从经验中学习。

什么是机器学习为了让大家更能理解机器学习的概念，我们举一个例子：小明教他的机器狗如何识别球。

机器学习常见分类机器学习常见的分类有监督学习、无监督学习、半监督学习、强化学习。区别在于，监督学习需要提供标注的样本集，无监督学习不需要提供标注的样本集，半监督学习需要提供少量标注的样本，而强化学习需要反馈机制。所谓学习，就是闻一知十，就像小时候认识水果那样，当第一次看到不认识的水果时，大人会告诉我们水果种类，从而我们就知道了各种水果的名字。之后面对相似的水果我们也能说过水果的种类。机器学习的原理也是如此，通过大量的水果照片进行学习，推断新的水果种类。假设你是一位水果商，想要训练一个模型来自动识别水果的种类。接下来，我们用几个例子来说明监督学习、无监督学习和半监督学习的区别以及强化学习的原理。

机器学习常见分类监督学习的例子：所有水果照片都带有标签，比如苹果、橙子和香蕉的照片，每张照片都标注了正确的水果种类。这些带有标签的照片可以用来训练分类模型，让模型学会根据照片特征预测水果的种类。当你输入一张新水果照片时，模型能够判断它是苹果、橙子还是香蕉。无监督学习的例子：所有水果照片都不带标签，不知道其中有多少种类的水果，也没有对应的标签信息。无监督学习会根据相似特征将照片分成不同的类别，每个类别代表一种可能的水果类型。通过观察这些分组结果，可以发现一些相似的照片被归为同一类。当你输入一张新的水果照片时，模型会根据它的特征，将其归入之前学到的某个类别中。半监督学习的例子：部分水果照片带有标签，而大多数则没有标签。在这种情况下，由于缺乏标签数据，无法仅依靠监督学习。可以先使用带有标签的照片进行监督学习，训练一个初步的分类模型。接着，利用这个模型去预测未标记照片的类别。如果未标记的照片与带标签的照片在特征上非常相似，模型就能推测出它们属于相同的类别，从而利用这些未标记照片进一步改进分类模型。通过将未标记的照片与已标记的照片结合起来，模型可以更好地学习到数据的分布和特征，从而提升分类准确度。

机器学习常见分类强化学习的例子：不同于监督学习、无监督学习和半监督学习，强化学习的原理基于智能体与环境的交互学习。以FlappyBird游戏为例，游戏中的小鸟是智能体，游戏屏幕上的管道和障碍物则是环境。在强化学习中，小鸟通过观察当前游戏状态（比如小鸟的位置、管道的位置等）做出相应的动作（比如跳跃），并根据游戏得分作为奖励信号来调整自己的行为。通过不断的尝试和错误，小鸟学习到哪些动作会导致更高的得分，而哪些动作会导致失败。强化学习的关键在于通过反馈机制，使智能体能够从环境中学习并改进其决策过程。

Scikit-learn简介Scikit-learn，又称为sklearn，是一个基于Python语言的开源机器学习工具包。它利用NumPy、SciPy和Matplotlib等Python数值计算库，提供了高效的算法实现，并且涵盖了几乎所有主流机器学习算法。

Scikit-learn常用模块sklearn提供了分类、回归、聚类、降维、模型选择和预处理六大常用模块，如下表所示。名称功能常用算法常见应用分类识别某个对象属于哪个类别SVM（支持向量机）、NearestNeighbors（最近邻）、RandomForest（随机森林）垃圾邮件识别、图像识别。回归预测与对象相关联的连续值属性SVR（支持向量机）、RidgeRegression（岭回归）、LASSO药物反应，预测股价聚类将相似对象自动分组K-Means、SpectralClustering、Mean-shift客户细分，分组实验结果降维减少要考虑的随机变量的数量Pca（主成分分析）、FeatureSelection（特征选择）、Non-negativeMatrixFactorization（非负矩阵分解）可视化，提高效率模型选择比较，验证，选择参数和模型Gridsearch（网格搜索）、CrossValidation（交叉验证）、Metrics（度量）调整参数提高精度预处理特征提取和归一化Preprocessing，FeatureExtraction把输入数据（如文本）转换为机器学习算法可用的数据

Scikit-le