机器学习绪论
机器学习概念
机器学习
- 有监督学习
- 如：回归，分类
- 无监督学习
- 如：聚类，降维
什么是机器学习
-
程序通过不断的学习达到一定的性能，可以完成指定的任务
-
定义
-
（1）机器学习是一门人工智能的科学，该领域的主要研究对象是人工智能，特别是如何在经验 学习中改善具体算法的性能。
（2）机器学习是对能通过经验自动改进的计算机算法的研究。
（3）机器学习是用数据或以往的经验，以此优化计算机程序的性能标准
-
-
机器学习的三个要素
- 模型（model）：模型在未进行训练前，其可能的参数是多个甚至无穷的，故可能的模型也是多个甚至无穷的，这些模型构成的集合就是假设空间。
- 策略（strategy）：即从假设空间中挑选出参数最优的模型的准则。模型的分类或预测结果与实际情况的误差（损失函数）越小，模型就越好。那么策略就是误差最小。
- 算法（algorithm）：即从假设空间中挑选模型的方法（等同于求解最佳的模型参数）。机器学习的参数求解通常都会转化为最优化问题，故学习算法通常是最优化算法，例如最速梯度下降法、牛顿法以及拟牛顿法等
机器学习算法
- 监督学习 ：房价预测 ( 回归 )
- 监督学习
- 正确价格
- 回归问题
- 预测价格
- 监督学习
- 监督学习 ：垃圾邮件分类 ( 分类 )
- 监督学习
- (yinlbrace 0,1rbrace) 0表示负向类 1表示正向类
- 分类问题
- 对邮件的好坏进行区分
- 监督学习
- 无监督学习 **：聚类 **
- 如：邮件分类 没有指定哪些是正向类，哪些是负向类，无监督学习可以将它们分为不同的簇，这就是聚类
- 如新闻分类，同一个新闻主题的多个报道网页都放到同一个簇别中一起展示，这就是聚类算法的应用
- 总结
- 监督学习：所用训练数据都是被标记过的
- 无监督学习：训练集中的所有数据都没有标记
补充
矩阵
由 m × n 个数(A_ij)排成的m行n列的数表称为m行n列的矩阵，简称m × n矩阵。记作：
[A =
left[
begin{array}
a_{11} & a_{12} & cdots & a_{1n} \
a_{21} & a_{22} & cdots & a_{2n} \
a_{31} & a_{32} & cdots & a_{3n} \
vdots & vdots & ddots & vdots \
a_{m1} & a_{m2} & cdots & a_{mn} \
end{array}
right]
]
这种 (mtimes n) 个数称为矩阵 (A) 的元素 (A_{ij} = i,j) 代表 (i 行,j列)
向量
´ 向量:在数学中，向量（也称为欧几里得向量、几何向量、矢量），指具有大小和方向的量。与向量对应的只有大小，没有方向的量叫做数量（物理学中称标量）
是一行或一列的特殊矩形，通常情况下，向量指列向量
向量：一个 (ntimes 1) 矩阵
[Y =
left[
begin{array}\
{11} \
{21} \
{31} \
40 \
end{array}
right]
]
矩阵运算
- 举例
[A =left[
begin{array}\
a1 & a2 \
a3 & a4 \
end{array}
right]
B = left[
begin{array}\
b1 & b2 \
b3& b4 \
end{array}
right]
]
-
矩阵加法，减法
- 满足交换律 ： A+B = B+A , A - B = B - A[A+B =left[ begin{array}\ a1 + b1 & a2+b2 \ a3+b3&a4+b4 \ end{array} right] ]减法相同
- 满足交换律 ： A+B = B+A , A - B = B - A
-
矩阵乘法
-
乘法条件：两个矩阵相乘，需要满足A的列数等于**B的行数*
-
A矩阵的行元素 ，乘以 B 的每一列然后相加
[A * B =left[ begin{array}\ a1*b1+a2*b3&a1*b2+a2*b4\ a3*b1+a4*b3&a3*b2+a4*b4 end{array} right] ] -
乘法不满足交换律,但满足分配率和结合率
- AB (neq) BA
- (AB)C=A(BC)
- (A+B)C=AC+BC
- C(A+B)=CA+CB
-
-
逆矩阵
-
**逆矩阵 ** : 如果 A 是一个m x m 矩阵, 并且如果它有逆矩阵。
矩阵与其逆阵的乘积等于单位阵：
$AA^{-1} = A^{-1}A = I $
-
不是所有的矩阵都有逆矩阵
没有逆矩阵的矩阵称为“奇异矩阵” 或“退化矩阵”。
-
-
矩阵转置
- 例如:[A =left[ begin{array}\ 1 & 2 &3\ 4 & 5 &6\ end{array} right] A^T =left[ begin{array}\ 1 &4\ 2&5\ 3&6\ end{array} right] ]
- 例如:
-
线性方程
[begin{cases} a_{11}x_1+a_{12}x_2+a_{13}x_3=y1 \ a_{21}x_1+a_{22}x_2+a_{23}x_3=y2 \ a_{31}x_1+a_{32}x_2+a_{33}x_3=y3 \ end{cases} ][若y = left[ begin{array}\ y1\ y2\ y3 end{array} right] , A = left[ begin{array}\ a_{11} &a_{12}&a_{13}\ a_{21}&a_{22}&a_{32}\ a_{31}&a_{32}&a_{33}\ end{array} right] , x = left[ begin{array}\ x_1\ x_2\ x_3\ end{array} right] 所以 left[ begin{array}\ y1\ y2\ y3 end{array} right] = left[ begin{array}\ a_{11} &a_{12}&a_{13}\ a_{21}&a_{22}&a_{32}\ a_{31}&a_{32}&a_{33}\ end{array} right] left[ begin{array}\ x_1\ x_2\ x_3\ end{array} right] ] -
线性组合
-
代码实现转置
y = w.T.dot(x)
-
[y = sum w_ix_i = w_1x_1 + w_2x_2+...w_nx_n
]
[= left[
begin{array}\
w_1w_2 ...w_n
end{array}
right]
left[
begin{array}\
x_1\
x_2\
vdots
x_n
end{array}
right]
=w^Tx
]
[= left[
begin{array}\
x_1x_2 ...x_n
end{array}
right]
left[
begin{array}\
w_1\
w_2\
vdots
w_n
end{array}
right]
=x^Tw
]
-
np.array 的使用
from numpy import * import numpy as np # 使用np.array创建矩阵: np.array([[1,4],[3,5]]) # 使用mat创建矩阵: mat(‘[1 2;3 4]’) # 用;隔开，用‘ ’括上;也可以mat([1,2],[3,4]) # 创建3*3的零矩阵: np.zeros((3,3)) # 创建2*4的1矩阵 : np.ones((2,4)) #默认是浮点型的数据 # 创建2*2的单位矩阵： np.eye(2,2,dtype=int) #注意没有多余的() # 创建对角矩阵： np.diag([1, 2, 3]) # 创建有序矩阵： np.arange(2,12,2) np.sum(): 按列或行求和，A.sum(axis=0); sum(A,1); sum(A[2:5], 0) np.max(): 按列或行求最大值，A.max(axis=0); A.max(1); max(A[2:5],0) np.min(): 按列或行求最小值，A.min(0); A.min(1); min(A[2:5],1) np.argmax(): 列或行最大值的索引，A.argmax(axis=0); argmax(A[2:5],1) np.argmin(): 列或行求最大值的索引，A.argmin(0); argmin(A[2:5],0) (参数 axis=0， 按列 axis=1，按行 ) -
slice切片
A[ 起始位：终止位：步长 ] 1.每个元素可用正向下标(从0开始)或反向下标(从-1开始)表示， 2.步长默认=1，可省略 A=np.array([1,2,3,4,5,6]): 正向下标：0 ~ 5 反向下标：-1~-6 # A[1:5]->[2,3,4,5] (正向，默认步长=1) # A[2:] ->[3,4,5,6] (正向，默认步长=1) # A[:5] ->[1,2,3,4,5] (正向，默认步长=1) # A[::2]->[1,3,5] (正向，步长=2) # A[1:5:2]->[2,4] (正向，步长=2) # A[-1:-4:-1]->[6,5,4] (反向，步长=-1) # A[-1::-1]->[6,5,4,3,2,1] (反向，步长=-1) # A[-2:-5:-2]->[5,3] (反向，步长=-2) # A[1:-2]->[2,3,4] (正向，默认步长=1) # A[-1:2:-1]->[6,5,4] (反向，步长=-1) -
vstack , hstack 的使用
from numpy import * import numpy as np # 创建2行2列的全1矩阵 a=np.ones((2,2)) # 创建2行2列的全零矩阵 b=np.eye(2,2) # 按列方向合并两个矩阵，列数不变，行数相加 vstack((a,b)) [[1, 1] [1, 1] [1, 0] [0, 1]] # 按行方向合并两个矩阵， 行数不变，列数相加 hstack((a,b)) [[1, 1, 1, 0] [1, 1, 0, 1]] -
**np.c_ ** np.r _ 的使用
from numpy import * import numpy as np # np.c_ : 按列连接两个矩阵 # np.r_: 按行连接两个矩阵 1. a = np.array([1, 2, 3]); b = np.array([4, 5, 6]) c = np.c_[a,b] ->[[1, 4 ], [2, 5], [3 6]] c = np.c_[c,a] -> [[1, 4, 1], [2, 5, 2], [3, 6, 3]] c = np.r_[a,b] -> [1, 2, 3, 4, 5, 6] 2. a = np.array([[1, 2, 3],[1,1,1]]); b = np.array([[4, 5, 6],[7,8,9]]) c =np.c_[a,b]->[[1, 2, 3, 4, 5, 6], [1, 1, 1, 7, 8, 9]] c = np.r_[a,b] -> [[1, 2, 3], [1, 1, 1], [4, 5, 6], [7, 8, 9]] -
画图 matplotlib
import numpy as np import matplotlib.pyplot as plt import matplotlib matplotlib.rcParams["font.sans-serif"] = ["SimHei"] #在画布中显示中文 matplotlib.rcParams['axes.unicode_minus']=False #画布中显示负号 x=[1.5,0.8,2.6,1.0,0.6,2.8,1.2,0.9,0.4,1.3,1.2,2.0,1.6,1.8,2.2] y=[3.1,1.9,4.2,2.3,1.6,4.9,2.8,2.1,1.4,2.4,2.4,3.8,3.0,3.4,4.0] #创建画布 plt.figure("散点图") #画图 plt.scatter(x,y) #线性回归公式 w = 1.5 b = 0.8 x_min=min(x) x_max=max(x) y_min = w*x_min + b y_max = w*x_max + b #画出回归方程 plt.plot([x_min,x_max],[y_min,y_max],'r') plt.show()
总结
- 通过上图我们可以知道，不断的更换 w 和 b 可以让直线拟合散点图
- 所以 在机器学习中线性回归模型，就是在不断的更新 w 和 b 找到 w 和 b 的最优解
内容来源于网络如有侵权请私信删除
文章来源: 博客园
- 还没有人评论，欢迎说说您的想法！
客服
