作者 | 听星的朗瑞 责编 | 王晓曼 出品 | CSDN博客 题图 | 东方IC
什么是机器学习？
机器学习是一种实现人工智能的方法，从数据中寻找规律、建立关系，根据建立的关系去解决问题，从数据中进行经验学习，实现自我优化与升级。
维基百科给出的定义：
- 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
- 机器学习是对能通过经验自动改进的计算机算法的研究
- 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
一种经常引用的英文定义是：A computer program is said to learn from experience E with respectto some class of tasks T and performance measure P, if its performance at tasksin T, as measured by P, improves with experience E.
机器学习的应用场景
- 数据挖掘
- 计算机视觉
- 自然语言处理
- 证券分析
- 股票涨跌预测
- 电影票房预测
- 医学诊断
- 机器人
- DNA测序
- ……
与人工智能比较，我们可以看到人工智能的主要应用场景也都是机器学习的应用场景，这就印证了之前所说，机器学习是实现人工智能的主流方法。
实现机器学习的基本框架
将训练数据输入到计算机，计算机自动求解数据关系，在新的数据上做出预测或给出建议。
机器学习的类别
监督式学习（Supervised Learning）
——训练数据包括正确的结果（标签-label）
对于监督式学习，我们在一开始给出的数据中就已经告诉计算机正确的结果标签：红色的圆对应类别1，蓝色的叉对应类别2，绿色的星对应类别3。根据该结果，监督式学习就会自动地找出数据的边界（图中虚线部分），以后计算机再得到新的数据，不知道其是圆，叉或者星时，就会根据其所在的位置，自动将其划分为对应的类别。
监督式学习包含
- 线性回归
- 逻辑回归
- 决策树
- 神经网络、卷积神经网络、循环神经网络
- ……
无监督式学习（Unsupervised Learning）
——训练数据不包括正确的结果
对于无监督式学习，我们在一开始给出的数据中没有告诉计算机正确的结果标签，只是要求计算机将数据分成3类，这样处理数据时就找不出数据的边界，但是却能根据要求，将比较接近的数据划分为一类，最终将所有数据分为3类。当得到新的数据后，将根据其与3类数据的接近程度自动划分为其中一种。
无监督式学习包含
- 聚类算法
半监督式学习（Semi-supervised Learning）
——训练数据包括少量正确的结果
对于半监督学习，给出的标签数据相对较少一些，但也能根据这些标签数据找到数据的边界，将新数据划分为其中一种。
强化学习（Reinforcement Learning）
——根据每次结果收获的奖惩进行学习，实现优化
举个例子，假设有个行走的机器人，它的前面有一面墙，直走的话会撞上去，机器人尝试不同的走法，如上图的行走策略，第一种通过了这面墙为GOOD，第二种撞上了这面墙为BAD。
编程时设立奖惩规则，通过 3分，失败-3分，规定机器人行走优化条件是分数越高越好，让程序自动寻找获得高分的方法。
学习方式的应用
什么是回归分析 (Regression Analysis) ？
回归分析是根据数据，确定两种或两种以上变量间相互依赖的定量关系。
函数表达式：
回归分析的种类：
下边将具体讲解线性回归技术。
线性回归介绍
回归分析中，变量与因变量存在线性关系。
函数表达式：y = ax b
线性回归问题求解
建立模型的步骤：
1、确定P、A间的定量关系
2、根据关系预测合理价格
3、做出判断
将表中数据用散点图表示出来
具有线性关系，建立线性模型：y = ax b
现在我们只需要找到合适的a和b，就能解决问题。
途径：假设x为变量，y为对应结果，y’为模型输出结果，目标变为：y’尽可能接近y，如下图（m为样本数）
因为后边要求导，为了约掉求导后得到的2m，这里除以2m，变为：
即为该模型的损失函数J，其值越小越好。
可以看出J的值是与a、b有关的，那如何找到这个极小值呢？
梯度下降法求解线性回归
可以用梯度下降法进行求解，梯度下降法是寻找极小值的一种方法，通过向函数上当前点对应梯度（或者是近似梯度）的规定步长距离点进行迭代搜索，直到在极小点收敛。
应用此方法求损失函数J的极小值时，首先创建临时变量temp_a和temp_b，然后重复计算直到收敛，此时a与b的值就是要寻求的值：
由此得到了线性模型的表达式：y = ax b
将单因子变量x的值代入就能得到对应的因变量预测值，最后对预测结果做出判断。
原文链接：
https://blog.csdn.net/weixin_45092215/article/details/106033448
