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

机器学习与经济学

03-16

人工智能经济学

20xx年;

技术

分析基础

人工智能

理论概念、发展历

程与应用场景

分析人工智能的经济学工具

机器学习与经济学;

机器学习概述;

02

理解机器学习在经济学领域中的主流应用

04

学会运用机器学习的算法与技术挖掘各类经济数据;

3.1

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;

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;

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;

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??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;

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能力;

机器学习中监督学习的关键要素

监督学习就是让模型通过对大量包含特征和标签的训练数据进行学习，从而建立起特征与标签之间的映射关系或函数模型

·当模型学习完成后，对于新的只包含特征的数据实例，模型就能够依据所学的关系预测出相应的标签值

·当输入一组新的股票特征数据或宏观经济数据时，模型就能够预测出这只股票未来的价格走向或未来一段时期的GDP增速，;

二、机器学习的发展历程

·机器学习起源于数学与计算机科学，历经符号主义(感知机)到联结主义(深度学习)的演变

·由于具备数据驱动、算法自适应迭代等特点，ML广泛应用于图像识别、自然语言处理及自主系统领域起源与早期探索(18世纪-20世纪中叶);1957年由康奈尔大学的弗兰克·罗森布拉特教授提出

.一种简单的前向人工神经网络，能够通过迭代试错解

决二元线性分类问题

意义：

.开创了监督学习的先河，标志着神经网络研究的起点

.通过自动调整权重来让机器学会分类任务的可能性;

对特征空间进行划分

提出：

.CoverHart,1967

.测量不同样本特征之间的距离，找到训练集中与测试数据最为相似的前K个数