嵌入式具身智能机械臂代码模型评估与监督学习基础.pptxVIP

第一部分：回归与分类

什么是监督学习？

如何预测数值？—?线性回归

如何进行分类？—?逻辑回归

机器如何学习？—?损失函数?与?梯度下降

第二部分：评估指标

如何科学评价模型？

准确率的陷阱

精确率(Precision)?vs?召回率(Recall)

分类模型的“代价”—?交叉熵;机器学习的核心思想，是让计算机不再依赖于人类编写的固定规则，而是从数据中自动学习出隐藏的规律，并利用这些规律对未知的数据进行预测或决策。

它已经渗透到我们生活的方方面面，比如你手机的人脸解锁、购物网站的商品推荐、导航软件的路线规划等。

今天，我们主要关注其中最重要的一类：监督学习，即在有“标准答案”的数据集上进行学习。;回归是监督学习中最基础的任务之一，它的目标是预测一个连续的数值型结果。

简单来说，它回答的是“是多少？”这类问题。

预测房价:?根据房屋的面积、位置、楼层，预测它的价格（如：5,350,000元）。

预测气温:?根据历史气象数据，预测明天的最高温度（如：28.5℃）。

预测销量:?根据广告投入、季节因素，预测下个季度的产品销量（如：120万件）。

我们的目标是找到输入特征（如面积）和输出数值（如价格）之间的映射关系。;要建立输入和输出的关系，最简单的方式就是画一条直线。这就是线性回归的核心思想。

这条直线的数学表达式是：?y=w*x+b

y?是我们想预测的值（比如房价）。