国产av无码专区亚洲av男同,国产l精品国产亚洲区久久,扒开老女人p大荫蒂warmth

過去十年，機器學(xué)習(xí)已從科研實驗室走向日常的網(wǎng)絡(luò)和移動應(yīng)用程序。機器學(xué)習(xí)使您的應(yīng)用程序能夠執(zhí)行以前難以編程的任務(wù)，例如檢測圖像中的物體和人臉、檢測垃圾郵件和仇恨言論，以及為電子郵件和消息應(yīng)用程序生成智能回復(fù)。

然而，執(zhí)行機器學(xué)習(xí)與經(jīng)典編程有著根本的不同。在本文中，您將學(xué)習(xí)機器學(xué)習(xí)的基礎(chǔ)知識，并創(chuàng)建一個可以根據(jù)花朵測量結(jié)果預(yù)測花卉種類的基本模型。

關(guān)鍵要點

機器學(xué)習(xí)已從科學(xué)研究實驗室發(fā)展到日常的網(wǎng)絡(luò)和移動應(yīng)用程序，使應(yīng)用程序能夠執(zhí)行以前難以編程的任務(wù)。
機器學(xué)習(xí)依賴于經(jīng)驗，通過示例訓(xùn)練模型，而不是向其提供規(guī)則。機器學(xué)習(xí)算法有不同的類別，每種類別都可以解決特定問題：監(jiān)督學(xué)習(xí)、無監(jiān)督學(xué)習(xí)和強化學(xué)習(xí)。
Python 由于其簡單性、可讀性和廣泛的生態(tài)系統(tǒng)（包括 Scikit-learn、TensorFlow 和 PyTorch 等庫和框架）而成為一種流行的機器學(xué)習(xí)語言。但是，理解 Python 編程、NumPy、Pandas 和 Matplotlib 等庫以及統(tǒng)計和概率的基本概念是前提條件。
實施機器學(xué)習(xí)模型的過程包括定義問題、收集數(shù)據(jù)、將數(shù)據(jù)集拆分為訓(xùn)練集和測試集、構(gòu)建模型以及評估其性能。交叉驗證和訓(xùn)練測試拆分等技術(shù)，以及準(zhǔn)確性、精確率、召回率和 F1 分?jǐn)?shù)等指標(biāo)，可用于驗證模型的性能。

機器學(xué)習(xí)的工作原理？

經(jīng)典編程依賴于可以分解為不同的類、函數(shù)和 if-else 命令的明確定義的問題。另一方面，機器學(xué)習(xí)依賴于根據(jù)經(jīng)驗發(fā)展其行為。您不是向機器學(xué)習(xí)模型提供規(guī)則，而是通過示例對其進行訓(xùn)練。

機器學(xué)習(xí)算法有不同的類別，每種類別都可以解決特定問題。

監(jiān)督學(xué)習(xí)

監(jiān)督學(xué)習(xí)適用于您想要從輸入數(shù)據(jù)到結(jié)果的問題。所有監(jiān)督學(xué)習(xí)問題的共同特征是存在一個可以用來測試模型的真實情況，例如標(biāo)記的圖像或歷史銷售數(shù)據(jù)。

監(jiān)督學(xué)習(xí)模型可以解決回歸或分類問題?；貧w模型預(yù)測數(shù)量（例如銷售的商品數(shù)量或股票價格），而分類問題試圖確定輸入數(shù)據(jù)的類別（例如貓/狗/魚/鳥、欺詐/非欺詐）。

圖像分類、人臉檢測、股票價格預(yù)測和銷售預(yù)測是監(jiān)督學(xué)習(xí)可以解決的問題示例。

一些流行的監(jiān)督學(xué)習(xí)算法包括線性回歸和邏輯回歸、支持向量機、決策樹和人工神經(jīng)網(wǎng)絡(luò)。

無監(jiān)督學(xué)習(xí)

無監(jiān)督學(xué)習(xí)適用于您擁有數(shù)據(jù)但不是結(jié)果，而是尋找模式的問題。例如，您可能希望根據(jù)客戶的相似性將其分組為細(xì)分市場。這在無監(jiān)督學(xué)習(xí)中稱為聚類?；蛘?，您可能希望檢測偏離企業(yè)正?；顒拥膼阂饩W(wǎng)絡(luò)流量。這稱為異常檢測，這是另一項無監(jiān)督學(xué)習(xí)任務(wù)。無監(jiān)督學(xué)習(xí)也可用于降維，這是一種通過去除無關(guān)特征來簡化機器學(xué)習(xí)任務(wù)的技巧。

一些流行的無監(jiān)督學(xué)習(xí)算法包括 K 均值聚類和主成分分析 (PCA)。

強化學(xué)習(xí)

強化學(xué)習(xí)是機器學(xué)習(xí)的一個分支，其中智能體試圖通過與其環(huán)境交互來實現(xiàn)目標(biāo)。強化學(xué)習(xí)涉及動作、狀態(tài)和獎勵。未經(jīng)訓(xùn)練的強化學(xué)習(xí)智能體從隨機采取行動開始。每個動作都會改變環(huán)境的狀態(tài)。如果智能體發(fā)現(xiàn)自己處于所需狀態(tài)，則會獲得獎勵。智能體試圖找到產(chǎn)生最多獎勵的動作和狀態(tài)序列。

強化學(xué)習(xí)用于推薦系統(tǒng)、機器人技術(shù)和游戲機器人，例如谷歌的 AlphaGo 和 AlphaStar。

設(shè)置 Python 環(huán)境

在這篇文章中，我們將重點關(guān)注監(jiān)督學(xué)習(xí)，因為它是最流行的機器學(xué)習(xí)分支，并且其結(jié)果更容易評估。我們將使用 Python，因為它具有許多支持機器學(xué)習(xí)應(yīng)用程序的功能和庫。但是，一般概念可以應(yīng)用于任何具有類似庫的編程語言。

（如果您不熟悉 Python，freeCodeCamp 提供了一個很棒的速成課程，可以幫助您入門。）

通常用于數(shù)據(jù)科學(xué)和機器學(xué)習(xí)的 Python 庫之一是 Scikit-learn，它提供了流行機器學(xué)習(xí)算法的實現(xiàn)。Scikit-learn 不是基本 Python 安裝的一部分，您必須手動安裝它。

macOS 和 Linux 預(yù)裝了 Python。要安裝 Scikit-learn 庫，請在終端窗口中鍵入以下命令：

<code>pip install scikit-learn</code>

或?qū)τ?Python 3：

<code>python3 -m pip install scikit-learn</code>

在 Microsoft Windows 上，您必須首先安裝 Python。您可以從官方網(wǎng)站獲取最新版本的 Windows Python 3 安裝程序。安裝 Python 后，在命令行窗口中鍵入以下命令：

<code>python -m pip install scikit-learn</code>

或者，您可以安裝 Anaconda 框架，其中包括獨立安裝的 Python 3 以及 Scikit-learn 和許多其他用于數(shù)據(jù)科學(xué)和機器學(xué)習(xí)的庫，例如 Numpy、Scipy 和 Matplotlib。您可以在其官方網(wǎng)站上找到 Anaconda 免費個人版的安裝說明。

步驟 1：定義問題

每個機器學(xué)習(xí)項目的第一個步驟是了解您想要解決的問題。定義問題將幫助您確定需要收集的數(shù)據(jù)類型，并讓您了解需要使用哪種機器學(xué)習(xí)算法。

在我們的例子中，我們想要創(chuàng)建一個模型，根據(jù)花瓣和萼片長度和寬度的測量結(jié)果來預(yù)測花的種類。

這是一個監(jiān)督分類問題。我們需要收集不同花卉標(biāo)本的測量列表及其相應(yīng)的物種。然后，我們將使用這些數(shù)據(jù)來訓(xùn)練和測試一個可以將測量結(jié)果映射到物種的機器學(xué)習(xí)模型。

步驟 2：收集數(shù)據(jù)

機器學(xué)習(xí)最棘手的部分之一是收集數(shù)據(jù)來訓(xùn)練您的模型。您必須找到一個可以收集訓(xùn)練模型所需數(shù)量數(shù)據(jù)的來源。您還需要驗證數(shù)據(jù)的質(zhì)量，確保它代表模型將處理的不同情況，并避免收集包含隱藏偏差的數(shù)據(jù)。

幸運的是，Scikit-learn 包含幾個玩具數(shù)據(jù)集，可以用來嘗試不同的機器學(xué)習(xí)算法?！傍S尾花數(shù)據(jù)集”恰好包含我們問題所需的確切數(shù)據(jù)。我們只需要從庫中加載它即可。

以下代碼加載住房數(shù)據(jù)集：

<code>pip install scikit-learn</code>

鳶尾花數(shù)據(jù)集包含 150 個觀測值，每個觀測值包含四個測量值 (iris.data) 和目標(biāo)花卉種類 (iris.target)?？梢栽?iris.feature_names 中看到數(shù)據(jù)列的名稱：

<code>python3 -m pip install scikit-learn</code>

iris.target 包含數(shù)據(jù)集中注冊的三個花卉種類之一的數(shù)字索引 (0-2)?；ɑ芊N類的名稱可在 iris.target_names 中找到：

<code>python -m pip install scikit-learn</code>

步驟 3：拆分?jǐn)?shù)據(jù)集

在開始訓(xùn)練之前，您必須將數(shù)據(jù)拆分為訓(xùn)練集和測試集。您將使用訓(xùn)練集來訓(xùn)練機器學(xué)習(xí)模型，并使用測試集來驗證其準(zhǔn)確性。

這樣做是為了確保您的模型沒有過度擬合訓(xùn)練數(shù)據(jù)。過度擬合是指您的機器學(xué)習(xí)模型在訓(xùn)練示例上的表現(xiàn)良好，但在未見過的數(shù)據(jù)上的表現(xiàn)不佳。過度擬合可能是由于選擇了錯誤的機器學(xué)習(xí)算法、對模型進行了錯誤的配置、訓(xùn)練數(shù)據(jù)不佳或訓(xùn)練示例太少而導(dǎo)致的。

根據(jù)您正在解決的問題類型和擁有的數(shù)據(jù)量，您必須確定要分配給測試集的數(shù)據(jù)量。通常，當(dāng)您擁有大量數(shù)據(jù)（大約數(shù)萬個示例）時，即使只有大約 1% 的小樣本也足以測試您的模型。對于包含總共 150 條記錄的鳶尾花數(shù)據(jù)集，我們將選擇 75-25 分割。

Scikit-learn 有一個 train_test_split 函數(shù)，它將數(shù)據(jù)集拆分為訓(xùn)練數(shù)據(jù)集和測試數(shù)據(jù)集：

<code>from sklearn.datasets import load_iris

iris = load_iris()
</code>

train_test_split 獲取數(shù)據(jù)和目標(biāo)數(shù)據(jù)集，并返回用于訓(xùn)練 (X_train 和 y_train) 和測試 (X_test 和 y_test) 的兩對數(shù)據(jù)集。test_size 參數(shù)確定將分配給測試的數(shù)據(jù)百分比（介于 0 和 1 之間）。stratify 參數(shù)確保訓(xùn)練數(shù)組和測試數(shù)組包含來自每個類別的平衡樣本數(shù)。random_state 變量存在于 Scikit-learn 的許多函數(shù)中，用于控制隨機數(shù)生成器并實現(xiàn)可重復(fù)性。

步驟 4：構(gòu)建模型

現(xiàn)在我們的數(shù)據(jù)已準(zhǔn)備就緒，我們可以創(chuàng)建一個機器學(xué)習(xí)模型并在訓(xùn)練集上對其進行訓(xùn)練。有許多不同的機器學(xué)習(xí)算法可以解決我們正在處理的分類問題。在我們的例子中，我們將使用“邏輯回歸”算法，它非常快，適用于簡單且不包含太多維度的分類問題。

Scikit-learn 的 LogisticRegression 類實現(xiàn)了此算法。實例化它之后，我們將通過調(diào)用 fit 函數(shù)在我們的訓(xùn)練集 (X_train 和 y_train) 上對其進行訓(xùn)練。這將調(diào)整模型的參數(shù)以找到測量值和花卉種類之間的映射。

<code>pip install scikit-learn</code>

步驟 5：評估模型

現(xiàn)在我們已經(jīng)訓(xùn)練了模型，我們想要衡量它的準(zhǔn)確性。LogisticRegression 類有一個 score 方法，它返回模型的準(zhǔn)確性。首先，我們將衡量模型在訓(xùn)練數(shù)據(jù)上的準(zhǔn)確性：

<code>python3 -m pip install scikit-learn</code>

這將返回大約 0.97，這意味著該模型準(zhǔn)確預(yù)測了 97% 的訓(xùn)練示例的類別，考慮到我們每個物種只有大約 37 個訓(xùn)練示例，這已經(jīng)相當(dāng)不錯了。

接下來，我們將檢查模型在測試集上的準(zhǔn)確性：

<code>python -m pip install scikit-learn</code>

這將給我們大約 95% 的結(jié)果，略低于訓(xùn)練準(zhǔn)確性，這是很自然的，因為這些是模型從未見過的示例。通過創(chuàng)建更大的數(shù)據(jù)集或嘗試另一種機器學(xué)習(xí)算法（例如支持向量機），我們或許能夠進一步提高模型的準(zhǔn)確性，并彌合訓(xùn)練和測試性能之間的差距。

最后，我們想看看如何在新的示例上使用我們訓(xùn)練好的模型。LogisticRegression 類有一個 predict 函數(shù)，它以觀測值數(shù)組作為輸入，并返回預(yù)測的類別。在我們的花卉分類器模型的情況下，我們需要向它提供四個測量值的數(shù)組（萼片長度、萼片寬度、花瓣長度、花瓣寬度），它將返回一個整數(shù)，表示花的類別：

<code>from sklearn.datasets import load_iris

iris = load_iris()
</code>

恭喜！您創(chuàng)建了您的第一個機器學(xué)習(xí)模型。我們現(xiàn)在可以將其組合到一個應(yīng)用程序中，該應(yīng)用程序從用戶那里獲取測量結(jié)果并返回花卉種類：

<code>print(iris.feature_names)
'''
['sepal length (cm)',
 'sepal width (cm)',
 'petal length (cm)',
 'petal width (cm)']
'''
</code>

希望這是您成為機器學(xué)習(xí)大師的第一步。從這里開始，您可以繼續(xù)學(xué)習(xí)其他機器學(xué)習(xí)算法，學(xué)習(xí)更多關(guān)于機器學(xué)習(xí)基本概念的知識，并繼續(xù)學(xué)習(xí)更高級的主題，例如神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)。通過一些學(xué)習(xí)和實踐，您將能夠創(chuàng)建能夠檢測圖像中的物體、處理語音命令并與用戶進行對話的非凡應(yīng)用程序。

使用 Python 進行機器學(xué)習(xí)的常見問題解答 (FAQ)

學(xué)習(xí)使用 Python 進行機器學(xué)習(xí)的先決條件是什么？

要開始學(xué)習(xí)使用 Python 進行機器學(xué)習(xí)，您需要對 Python 編程有基本的了解。熟悉 NumPy、Pandas 和 Matplotlib 等庫也很有益。此外，對統(tǒng)計和概率的基本了解至關(guān)重要，因為它們構(gòu)成了機器學(xué)習(xí)算法的核心。

Python 與其他機器學(xué)習(xí)語言相比如何？

由于其簡單性和可讀性，Python 是最流行的機器學(xué)習(xí)語言之一。它擁有廣泛的庫和框架，例如 Scikit-learn、TensorFlow 和 PyTorch，這些庫和框架簡化了機器學(xué)習(xí)模型的開發(fā)。R 和 Java 等其他語言也用于機器學(xué)習(xí)，但 Python 廣泛的生態(tài)系統(tǒng)使其成為許多人的首選。

我可以使用 Python 實現(xiàn)哪些常見的機器學(xué)習(xí)算法？

Python 的 Scikit-learn 庫提供了各種機器學(xué)習(xí)算法的實現(xiàn)。一些常用的算法包括線性回歸、邏輯回歸、決策樹、隨機森林、支持向量機和 k 近鄰。對于深度學(xué)習(xí)，您可以使用 TensorFlow 和 PyTorch 等庫。

如何驗證我的 Python 機器學(xué)習(xí)模型的性能？

您可以使用交叉驗證和訓(xùn)練測試拆分等技術(shù)來驗證模型的性能。Python 的 Scikit-learn 庫為此提供了函數(shù)。此外，您可以使用準(zhǔn)確性、精確率、召回率和 F1 分?jǐn)?shù)等指標(biāo)來進行分類問題，并使用均方誤差或 R 平方來進行回歸問題。

我可以使用 Python 進行監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)嗎？

是的，Python 支持監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)?？梢允褂?Scikit-learn 等庫來實現(xiàn)回歸和分類等監(jiān)督學(xué)習(xí)算法。對于無監(jiān)督學(xué)習(xí)，您可以使用 K 均值、層次聚類和 DBSCAN 等聚類算法。