零基础人工智能入门(机器学习入门概念整理)

1，机器学习：
用大量数据进行训练，获取到 一个数据模型，预测就是应用训练的模型，来解决一个未知的问题

2，入门:
①KNN:
收集相关的数据
选择合适的feature和label
如果不知道如何选择feature可以先单独每个feature计算与label的相关度
选取合适的k
使用数据集进行新的预测

3,分类和回归的区别:classification和regression
回归是求topk的value求平均值
分类是求topk中出现最多的 类别

4,标准化和归一化的选择
知道数据范围用归一化
不知道数据的范围，数据变化可能很大，用标准化

5,数据归一化： 压缩样本数据到 0 ~1 之间
让向量之间的欧式距离，变成标准欧式距离。

6,线性回归和knn的区别：
knn必须需要有全套数据集，每次预测都要重新计算整套数据集
线性回归，数据集用完后，其实可以丢弃。 线性回归是算一个模型。
knn可以理解成是数学统计学的方法研究问题
线性回归，是一种总结规律，总结模型的解决问题的方法。

7,线性回归就是求线性函数的参数的值的过程

8,梯度下降算法原理:
随机选取m和b
分别对mse计算m和b的偏导
如果m和b的偏导数都很小(接近0),就成功
根据学习速率计算出修改的值
b 和m分别减去要修改的值

9,线性回归和逻辑回归的区别
线性:预测 的数字是连续的
逻辑:预测的是分类的问题

• 点赞
• 收藏
• 分享
• 文章举报