机器学习应用实例：房价预测与蔬菜产量优化.pptx

机器学习的第三、四个例子和解决的问题类型《人工智能与创新》——AI基础篇

第三个机器学习的例子二手房经理让计算机学习下表中房屋面积和销售价格的历史数据，建一个房价预测模型。未来，他就可以根据房屋面积预测出价格。经理让计算机预测一个100平方米的房屋的面积，它使用模型，将100作为自变量，最后给出的预测价格是205万。房屋面积和销售价格历史数据房屋面积（平方米）价格（万元）60125701458016590185他让计算机用线性回归的算法学习这些数据的规律，即构建如下模型：y=mx+b其中：?x叫自变量，也叫预测变量或解释变量，表示房屋面积；?y叫因变量，也称为响应变量或依赖变量，是通过自变量来预测的结果，表示房屋价格；?m和b是模型参数，m是直线的斜率，b是直线的截距。计算机学习了这些数据后构建的模型如下：y=2x+5

第四个机器学习的例子假设一个蔬菜种植农场主用了很多年收集了各种蔬菜的生长数据，每种蔬菜有几十甚至上百个诸如土壤类型、阳光照射、水分含量、肥料使用量、经纬度、降雨量、库房面积、稻草人数量等因素。我们知道这些因素在机器学习领域被称为特征。现在他希望使用机器学习模型来预测不同蔬菜的产量。然而，由于特征数量过多，模型的训练和预测速度都会变得非常慢，而且很多特征还包含很少或无关的信息，反而干扰模型了的学习过程。因此，他让计算机先从这些特征中提取出最重要的特征，最后保留了土壤类型、阳光照射、水分含量、肥料使用量等4个特征。

机器学习可以解决的问题主要有四大类：分类问题聚类问题回归问题降维问题机器学习解决的问题类型

分类问题分类就像是给东西贴标签。比如，第一个例子，有很多人看病，你想知道哪些是病人，哪些不是病人。分类算法就是要造一个“分类器”，它就像一个聪明的小助手，能够帮你把看病的人分成两类：健康的人和患病的人。分类器通过学习大量的样本，就能学会如何区分不同的人。分类可以用在很多地方，比如判断一篇文章是新闻还是广告，评估一个人会不会违约，或者检测信用卡交易是不是欺诈，判断一个动物是猫还是狗。机器学习解决的问题类型猫狗

聚类问题聚类就像是把相似的东西放在一起，第2个例子就是把身高相似的人聚集在一起。再比如，你有一大堆客户数据，你想根据他们的购买行为（特征）把这些客户分成几个小组，这样你就可以更有针对性地做营销，这也是聚类问题。机器学习解决的问题类型聚类可以用在市场细分、文档自动归类、客户特征画像等很多方面。

回归问题前面的第3个例子就是机器学习解决的回归问题。回归问题就是做预测。比如，你想知道明年房子的价格会是多少。回归算法就是要造一个“回归器”，也就是一个方程（y=f(x)），x是影响价格的特征（比如房子的面积、楼层、位置等），而y是预测的价格。机器学习解决的问题类型回归可以用在各种预测场景，比如，天气预报、股票价格预测等。

降维问题前面的第4个例子就是机器学习解决的降维问题。有时候，我们手头的数据有很多很多特征，这可能会让分析变得很复杂。降维就是要找到一种方法，把数据的特征数量减少，但同时还要尽量保留那些重要的信息。这就像把一本厚厚的书浓缩成几页纸，但这几页纸还能让你大致了解整本书的内容。机器学习解决的问题类型降维可以帮助我们更容易地理解复杂的数据，也可以防止机器学习模型因为特征太多而出错。

带着好奇心去探索好奇：机器学习到底有什么算法，能够实现分类、聚类、预测和降维。AI帮助你：各种AI工具和教学视频，都可以解答你的问题，你可以带着你的好奇心去探索。提醒自己：AI不是我的专业。我当下的目标是成为能驾驭AI去解决问题的高手而不是让机器具有智能的达人。我们可以暂时不深究这些“知识”。未来的某一天，如果真正感兴趣再去探索吧。

拥抱AI拥有未来