机器学习及其应用课件 第3章-机器学习.pptxVIP

3.1线性模型3.5监督学习应用3.4支持向量机3.2决策树模型第三章监督学习3.3贝叶斯模型

知识目标理解监督学习的核心定义、思想与任务边界掌握线性模型、决策树、贝叶斯、SVM四大经典算法原理与推导明确分类与回归任务的联系与区别，理解适用场景了解监督学习算法在真实行业场景中的落地方法能力目标针对具体业务问题，选择合适的监督学习算法完成建模解读与优化算法结果，解决过拟合、多重共线等典型问题本章学习目标

什么是监督学习？核心定义：基于带标签样本的映射学习以带标签的训练样本为对象，学习特征与标签间的映射关系，构建可泛化的预测模型。即通过已知答案的数据，让机器学会如何从输入推导输出。形象类比：考生备考过程带标签样本→带答案的练习题模型训练→对照答案演算习题，总结解题方法模型泛化→用总结的方法解决新的未知题目核心前提：先验标注信息训练样本必须具备标签，模型始终以标签为参照，通过不断优化预测结果与真实标签的误差来学习。

监督学习的两大核心任务回归任务(Regression)核心目标：预测连续数值，寻找变量间的映射关系输出结果：连续的数值结果（如价格、温度、销量）典型场景：销量预测、房价评估、经济指标分析分类任务(Classification)核心目标：预测离散类别，区分不同事物的特征输出结果：离散的类别标签（二分类/多分类）典型场景：图像识别、垃圾邮件检测、风险评估

3.1线