松江网站建设,做宠物食品的网站,怎么在网站添加关键词,做网站卖什么东西好专家系统就是让机器人当某个领域的专家#xff0c;但这章专家系统不咋考#xff0c;主要靠书上没有的机器学习。 一、专家系统的基本组成 二、专家系统与传统程序的比较 #xff08;1#xff09;编程思想#xff1a; 传统程序 数据结构 算法 专家系统 知识 推理 但这章专家系统不咋考主要靠书上没有的机器学习。 一、专家系统的基本组成 二、专家系统与传统程序的比较 1编程思想 传统程序 数据结构 算法 专家系统 知识 推理 2知识存储位置 传统程序关于问题求解的知识隐含于程序中。 专家系统知识单独组成知识库与推理机分离。 3处理对象 传统程序数值计算和数据处理。 专家系统符号处理。 4解释功能 传统程序不具有解释功能。 专家系统具有解释功能。 5正确答案 传统程序产生正确的答案。 专家系统通常产生正确的答案有时产生错误的答案。 6系统的体系结构不同 三、知识获取的过程 抽取知识、知识的转换、知识的输入、知识的检测 。 四、7.4.2 知识获取的模式 非自动知识获取、自动知识获取、半自动知识获取。 五、机器学习 就是让机器不依靠外力自己学习。 非显著式编程让计算机自己总结规律的编程方法 举例说明让机器人冲咖啡人类规定机器人可以采取一系列行为规定机器人在特定的环境下做这些行为所带来的收益称为 “ 收益函数 ” 。如机器人自己摔倒收益函数为负值机器人自己摔倒收益函数为负值机器人自己取到咖啡收益函数值为正值。 Tom Mitshell 对机器学习的定义 一个计算机程序被称为可以学习是指它能够针对某个任务T和某个性能指标P从经验E中学习。这种学习的特点是它在T上的被P所衡量的性能会随着经验E的增加而提高。 人类在成长、生活过程中积累了很多的历史与经验。人类定期地对这些经验进行“归纳”获得了生活的“规律”。当人类遇到未知的问题或者需要对未来进行“推测”的时候人类使用这些“规律”对未知问题与未来进行“推测”从而指导自己的生活和工作 。而机器也可以。 机器学习工作流程总结 1.获取数据 在数据集中一般一行数据我们称为一个样本一列数据我们成为一个特征。 所有的机器学习算法在应用场景、优势劣势、对数据要求、运行速度上都各有优劣但有一点不变的是都是数据贪婪的也就是说任何一个算法都可以通过增加数据来达到更好的结果因此第一步数据采集也是最基础最重要的一步。 2.数据基本处理 即数据清洗比如我们通过爬虫得来的数据很杂甚至很多不是我们需要然后我们对其进行筛选这个就类似这个过程。 3.特征工程 把原始数据转变为模型的训练数据的过程它的目的就是获取更好的训练数据特征 注业界广泛流传数据和特征决定了机器学习的上限而模型和算法只是逼近这个上限而已。 4.机器学习 一般认为包括 特征构建、特征提取、特征选择三个部分。 特征构建是指从原始数据中人工的找出一些具有物理意义的特征。 5.构建模型 ① 建立训练数据集和测试数据集通常80%为训练数据集。 ② 选择机器学习算法 选择合适的算法对模型进行训练其中就要求有好的泛化能力举一反三的能力。 一般是拟合的模型是好的但是过拟合就不好因为要是过拟合肯定是模型比需要的更复杂导致的不需要这样这样只会导致变慢在预测新数据方面的表现也非常糟糕。 6.模型评估 对训练好的模型进行评估。 模型评估主要分为离线评估和在线评估两个阶段。 六、模型评估指标 a. 准确率 就是被分对的样本数除以所有的样本数通常来说正确率越高分类器越好。 但是准确率只要没到百分百就肯定有问题例如每次喝水都没事但是有一次噎住了就g了人的生命不能重来就是这个意思老师加这句话我也不理解为什么 (TP TN) / (TP FP TNFN) b.精确率 这是针对预测结果而言的它表示正确分类的正样本个数占分类器判定为正样本的样本个数的比例。把正类预测为正类(TP)另一种就是把负类预测为正类(FP)。 则 P TP / ( TP FP ) c.召回率 是指判定成功的正样本个数占真正的正样本数的比例。 把原来的正类预测成正类(TP)另一种就是把原来的正类预测为负类(FN)。 则R TP / ( TP FN ) 精确率也称为查准率p召回率也称为查全率r查准率和查全率是一对矛盾的度量。一般说查准率高时查全率往往偏低而查全率高时查准率往往偏低。因为计算能力终究是有极限的你查的越准那查的就不一定越全但是未来肯定就不一样了 计算 true这列表示正例或者负例hyp这列表示阈值0.5的情况下概率是否大于0.5。 根据这个表格我们可以计算TP6实际上有多少正类就是TrueFN0相当于正类都预测对了毕竟按0.5算正类甚至到了8个之多FP2有两个负类被预测成正类TN2预测结果中有几个反例这个用不到我们应该一般不算准确率。 所以 召回率recall 6/(60)1 精确率precison 6/(62)0.75 准确率 62/6022 0.8 下面的在PR曲线里面用到 那么得出PR曲线坐标10.75。 同理得到不同阈下的坐标即可绘制出曲线。 七、PR曲线本章重点 1用于研究评估分类模型在不同阈值下的精确率注意不是准确率和召回率之间的权衡关系。 2在PR曲线中横轴表示召回率纵轴表示精确率。 3绘制PR曲线的方法 1.在测试集上使用分类模型进行预测并得到相应的概率(或决策分数)。 2.使用不同的阈值将概率(或决策分数)将样本转化为正负例例如将概率大于0.5的样本预测为正例小于等于0.5的样本预测为负例。 3.根据阈值和模型预测结果计算精确率和召回率。 4.使用不同的阈值重复步骤3和步骤4记录不同阈值下的精确率和召回率。 5.绘制PR曲线时可以使用线图或者散点图。将不同阈值下的精确率和召回率作为点绘制在图上并将点按照阈值的大小进行连接得到PR曲线。 6.可以通过计算PR曲线下的面积来评估模型在精确率和召回率之间的整体性能面积越大模型的性能越好。 需要注意的是PR曲线适用于正负样本不平衡的分类问题并且对于严重偏斜的数据集PR曲线可能更能反映模型的性能。 优劣对比: 1:曲线越靠近右上方性能越好。(例如上图黑色曲线) 2:根据曲线下方面积大小判断面积更大的更优于面积小的。(例如橘蓝曲线橘色优于蓝色) 3:平衡点F是查准率与查重率相等时的点。F计算公式为F 2*P*R /(P R)F值越大性能越好。 八、拟合 考试成绩差的同学有这三种可能 一、泛化能力弱做了很多题始终掌握不了规律不管遇到老题新题都不会做 二、泛化能力弱做了很多题只会死记硬背一到考试看到新题就蒙了 三、完全不做题考试全靠瞎蒙。 机器学习中第一类情况称作欠拟合第二类情况称作过拟合第三类情况称作不收敛。 九、机器学习的分类 以下四个机器学习的任务如何分类 1教计算机下棋 2垃圾邮件识别教计算机自动识别某个邮件是否是垃圾邮件 3人脸识别教计算机通过人脸的图像识别这个人是谁 4无人驾驶教计算机自动驾驶汽车从一个指定地点到另一个指定地点。 2、3中的经验E是完全由人搜集起来输入进计算机的称为监督学习。 1、4中的经验E是由计算机与环境互动获得的称为强化学习。 1.按学习方式分 2.按照学习任务分 有三种——分类回归聚类。 分类是预测一个标签 是离散的属于监督学习。 回归是预测一个数量 是连续的属于监督学习。 聚类属于无监督学习。 聚类是在预先不知道欲划分类的情况下根据信息相似度原则进行信息聚类的一种方法。聚类的目的是使得属于同类别的对象之间的差别尽可能的小而不同类别上的对象的差别尽可能的大。 因此聚类的意义就在于将观察到的内容组织成类分层结构把类似的事物组织在一起。 3.分类和回归的区别 1输出不同 分类问题输出的是物体所属的类别回归问题输出的是物体的值。 例如根据天气情况预测明天穿衣服的量以及是否携带雨具做判断。 阴天就是分类多少度就是回归但是都可以用来判断明天带不带伞。 2目的不同 分类的目的是为了寻找决策边界即分类算法得到是一个决策面。 回归的目的是为了找到最优拟合通过回归算法得到是一个最优拟合线这个线条可以最好的接近数据集中的各个点。 3结果不同 分类的结果只有一个判断属于什么类别。 回归是对真实值的一种逼近预测值不确定当预测值与真实值相近时误差较小时认为这是一个好的回归。 本质一样都是要建立映射关系。
