高教社2026人工智能经济学教学课件Ch3.机器学习与经济学.pptxVIP

AI机器学习与经济学人工智能经济学20xx年0316

课程结构2框架模块章节

3本讲内容机器学习概述明晰机器学习的概念与发展历程理解机器学习操作的一般流程与常用方法01机器学习在经济学中的应用理解机器学习在经济学中的主流应用主要包括经济预测分析、信用风险评估和基于大语言模型的指标构建02对于经济学研究方法的影响明晰机器学习对经济学研究方法的改进主要包括数据处理与分析能力、因果推断与关系识别以及模型构建与优化03应用于经济学的挑战与应对掌握机器学习在经济学广泛应用的阻碍与应对策略主要包括数据质量与可靠性问题、模型解释性与可理解性以及伦理与法律问题04

本章学习要点4理解机器学习的基本原理、学习范式和主要流程01理解机器学习在经济学领域中的主流应用02掌握机器学习与经济学相互结合涉及的理论与技术要点03学会运用机器学习的算法与技术挖掘各类经济数据04

机器学习概述理解机器学习的基本原理、学习范式和主要流程53.1

一、机器学习的定义与概念机器学习（MachineLearning）是人工智能的核心分支，致力于让计算机系统具备像人类一样从经验中学习的能力其本质是让计算机通过数据自动发现规律，而非依赖显式编程6机器学习的分类监督学习（SupervisedLearning）通过已有标记数据进行训练，学习输入与输出之间的映射关系新邮件分类；检测障碍物无监督学习（UnsupervisedLearning）侧重于在未标记数据中发现数据的内在结构和模式划分客户群体以制定个性化营销策略强化学习（ReinforcementLearning）通过智能体在环境中不断试错并根据奖励反馈来学习最优策略，也被视为机器的“条件反射”过程例子：扫地机器人的路径规划；AlphaGo围棋深度学习（DeepLearning）利用多层神经网络结构自动提取数据的高级特征语音识别、自然语言处理；迁移学习、对抗学习一个简单的例子：垃圾邮件分类模型的训练与应用

机器学习的关键要素机器学习的关键构成要素包括：数据、模型、训练与测试在监督学习这一类型的机器学习中，特征和标签也成为额外的关键要素7数据数据是机器学习得以开展的根基，是机器学习的“养料”、“燃料”结构化数据具有明确的格式和组织方式，常见于数据库中的表格形式（如Excel）一张典型的个人信息表（员工姓名、年龄、性别、职位等）非结构化数据没有明显固定结构的数据，如文本文件、图像、音频和视频等在机器学习中，大量的非结构化数据能够为机器提供充足的“学习素材”，使其能够更全面、深入地挖掘出数据背后隐藏的各种模式和规律半结构化数据处于结构化与非结构化之间，具有一定的结构，但并不遵循固定的格式（如XML、JSON）结合了结构化数据的组织性和非结构化数据的灵活性，能够承载多种类型的信息，更容易在不同系统和应用之间集成和转换用户标签半结构化的信息笔记内容非结构化的文本发布时间结构化的时间戳

机器学习的关键要素8模型模型是机器学习的核心组件，也被视为机器学习的“大脑”基于各种数学和统计学原理构建而成的一种抽象结构，通过特定的算法来确定其内部的参数和运作方式线性回归最基础、常用的算法模型房屋租赁或买卖软件，学习大量已知房屋价格与特征的数据确定每个特征对应的系数，从而构建出一个具有预测能力的线性方程决策树（DecisionTree）常用的模型，是一种监督学习方法，它的结构和逻辑与人类思考问题的方式更加类似形似一棵倒立的树，通过对数据特征的层层划分和判断来做出决策或分类贝壳找房软件的房价预测决策树

机器学习的关键要素9训练是机器学习模型不断优化和学习的过程基本逻辑计算机将大量的训练数据输入到选定的模型中，模型根据预先设定的算法和目标函数，对数据进行分析和处理并不断调整自身参数，以使模型对训练数据的拟合程度越来越好图像分类模型的训练将大量已标注好类别的图像数据（蛋糕和非蛋糕的照片）输入模型模型通过计算图像特征与类别之间的关系，逐步调整内部参数最终获得能够准确判断出训练集中图像所属类别的能力测试是对训练完成的模型性能进行评估与验证使用与训练数据不同的测试数据，将其输入到已训练完成的模型中，观察模型的输出结果并与真实标签或结果进行对比评估指标准确率（Accuracy）：预测正确的结果占总样本的百分比，代表整体（包括正样本和负样本）的预测准确程度精确率（Precision）：在被预测为正的样本中实际为正样本的概率，代表对正样本结果的预测准确程度召回率（Recall）：在实际为正的样本中被预测为正样本的概率F1值：精确率和召回率的调和平均数，F1=2*精确率*召回率/（精确率+召回率），0表示最差性能，1表示最佳性能过拟合问题定义：模型在训练数据上表现良好，但在测试数据上却出现了较大偏差模型过度地适应了训练数据的特点，缺乏对新数据的适应性和泛化