机器学习

机器学习概述

什么是机器学习

机器学习是人工智能的一个分支，它使计算机系统能够从数据中学习和改进，而无需进行明确编程。

机器学习类型

类型	描述	示例
监督学习	使用标记数据进行训练	分类、回归
无监督学习	使用未标记数据进行训练	聚类、降维
强化学习	通过与环境交互学习	游戏AI、机器人控制

监督学习

回归分析

from sklearn.linear_model import LinearRegression
from sklearn.model_selection import train_test_split

# 准备数据
X = [[1], [2], [3], [4], [5]]
y = [2, 4, 5, 4, 5]

# 划分数据集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)

# 创建模型
model = LinearRegression()

# 训练模型
model.fit(X_train, y_train)

# 预测
y_pred = model.predict(X_test)

分类算法

from sklearn.ensemble import RandomForestClassifier
from sklearn.datasets import load_iris

# 加载数据集
data = load_iris()
X, y = data.data, data.target

# 创建模型
clf = RandomForestClassifier(n_estimators=100)

# 训练模型
clf.fit(X, y)

# 预测
prediction = clf.predict([[5.1, 3.5, 1.4, 0.2]])

无监督学习

K-Means 聚类

from sklearn.cluster import KMeans
import numpy as np

# 创建数据
X = np.array([[1, 2], [1, 4], [1, 0],
              [10, 2], [10, 4], [10, 0]])

# 创建模型
kmeans = KMeans(n_clusters=2)

# 训练并预测
kmeans.fit(X)
labels = kmeans.predict(X)

主成分分析

from sklearn.decomposition import PCA
from sklearn.datasets import load_iris

# 加载数据
data = load_iris()
X = data.data

# 创建模型
pca = PCA(n_components=2)

# 降维
X_pca = pca.fit_transform(X)

模型评估

from sklearn.metrics import accuracy_score, mean_squared_error

# 分类评估
accuracy = accuracy_score(y_true, y_pred)

# 回归评估
mse = mean_squared_error(y_true, y_pred)

---

上一章: AI 教程

下一章: 深度学习