当前位置：首页 > 机器学习 > 正文

关于机器学习解决思路的信息

本篇文章给大家分享机器学习解决思路，以及对应的知识点，希望对各位有所帮助。

简述信息一览：

《机器学习方法》一书比较全面系统地介绍了机器学习的方法和技术，不仅详细阐述了许多经典的学习方法，还讨论了一些有生命力的新理论、新方法。

▌深度学习不同于传统的机器学习方法，深度学习是一类端到端的学习方法。基于多层的非线性神经网络，深度学习可以从原始数据直接学习，自动抽取特征并逐层抽象，最终实现回归、分类或排序等目的。

深度学习（Deep Learning）：是一种基于神经网络的机器学习方法，能够在大量数据中自动学习抽象特征表示。

另一种对机器学习系统进行分类的方法是看它们如何泛化。大多数机器学习任务是要做出预测，需要在未知的数据进行泛化。泛化的主要方法有两种：基于实例的学习和基于模型的学习。

1、机器学习中常用的方法有：（1）归纳学习符号归纳学习：典型的符号归纳学习有示例学习、决策树学习。函数归纳学习（发现学习）：典型的函数归纳学习有神经网络学习、示例学习、发现学习、统计学习。

2、机器学习的相关算法包括：监督学习、非监督学习和强化学习。监督学习支持向量机：是一类按监督学习方式对数据进行二元分类的广义线性分类器，其决策边界是对学习样本求解的最大边距超平面。

3、监督学习（Supervised Learning）：使用带有标记的训练数据集来训练模型，以预测未标记数据的输出。常见的监督学习算法包括线性回归、逻辑回归、决策树、支持向量机等。

4、深度学习：使用多层神经网络进行的机器学习技术，能够学习复杂的非线性关系。迁移学习：通过将已学习的知识和技能迁移到新任务中来解决学习数据少的问题。元学习：通过学习如何学习来提高模型的性能。

5、线性回归一般来说，线性回归是统计学和机器学习中最知名和最易理解的算法之一。这一算法中我们可以用来预测建模，而预测建模主要关注最小化模型误差或者尽可能作出最准确的预测，以可解释性为代价。

6、该模型使用多个输入值来计算输出值，中间可能包含多层节点。神经网络是解决多种问题的强大算法。总结本文介绍了一些在机器学习中常用的算法，包括决策树、线性回归、逻辑回归、支持向量机（SVM）、朴素贝叶斯、聚类和神经网络。

欠***样是通过减少丰富类的大小来平衡数据集，当数据量足够时就该使用此方法。通过保存所有稀有类样本，并在丰富类别中随机选择与稀有类别样本相等数量的样本，可以检索平衡的新数据集以进一步建模。

不平衡程度相同（即正负样本比例类似）的两个问题，解决的难易程度也可能不同，因为问题难易程度还取决于我们所拥有数据有多大。

从数据集入手。既然数据不平衡，那我们就人为的把数据集给平衡一下。可以通过随机***样比例大的类别使得训练集中大类的个数与小类相当，也可以重复小类使得小类的个数与大类相当。

1、监督学习（Supervised Learning）监督学习是最常见的机器学习方法之一。其使用带有标签的训练数据来构建模型，然后用该模型进行预测。监督学习的目标是通过学习输入和输出之间的关系，对未知输入进行准确预测。

2、按照学习方式不同，机器学习分为监督学习、无监督学习、强化学习、半监督学习、主动学习。监督学习监督学习是从x，y这样的示例对中学习统计规律，然后对于新的X，给出对应的y。

3、集成学习（Ensemble Learning）：通过组合多个基本模型的预测结果，以获得更好的整体预测能力。常见的集成学习方法包括随机森林、梯度提升树等。

关于机器学习解决思路，以及的相关信息分享结束，感谢你的耐心阅读，希望对你有所帮助。