机器学习的有点的简单介绍

文章阐述了关于机器学习的有点，以及的信息，欢迎批评指正。

简述信息一览：

• 1、机器学习中常见的算法的优缺点之决策树
• 2、机器学习中常见算法优缺点之朴素贝叶斯算法
• 3、如何学习机器学习的一点心得
• 4、机器学习有哪些模型和特点?

机器学习中常见的算法的优缺点之决策树

1、总结下来有三点，第一就是决策树容易发生过拟合，但是随机森林可以很大程度上减少过拟合。第二就是决策树容易忽略数据集中属性的相互关联。

2、决策树模型因为其特征预处理简单、易于集成学习、良好的拟合能力及解释性，是应用最广泛的机器学习模型之一。决策树算法在决策领域有着广泛的应用，比如个人决策、公司管理决策等。算法逻辑模型以“树形结构”呈现，因此它比较容易理解，并不是很复杂，我们可以清楚地掌握分类过程中的每一个细节。

3、决策树列出了决策问题的全部可行方案和可能出现的各种自然状态，以及各可行方法在各种不同状态下的期望值。能直观地显示整个决策问题在时间和决策顺序上不同阶段的决策过程。在应用于复杂的多阶段决策时，阶段明显，层次清楚，便于决策机构集体研究，可以周密地思考各种因素，有利于作出正确的决策。

4、优点：1）　可以生成可以理解的规则；2）　计算量相对来说不是很大；3） 可以处理连续和种类字段；4） 决策树可以清晰的显示哪些字段比较重要。

5、机器学习中几个常见模型的优缺点 朴素贝叶斯：优点：对小规模的数据表现很好，适合多分类任务，适合增量式训练。缺点：对输入数据的表达形式很敏感（连续数据的处理方式）。决策树：优点：计算量简单，可解释性强，比较适合处理有缺失属性值的样本，能够处理不相关的特征。

机器学习中常见算法优缺点之朴素贝叶斯算法

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） 演绎学习（3） 类比学习：典型的类比学习有案例（范例）学习。

朴素贝叶斯算法属于分类算法。发源于古典数学理论，对缺失数据不太敏感，有稳定的分类效率，模型所需估计的参数很少，算法比较简单。

如何为分类问题选择合适的机器学习算法 若要达到一定的准确率，需要尝试各种各样的分类器，并通过交叉验证选择最好的一个。

如何学习机器学习的一点心得

1、线上直播：线上直播是授课老师通过线上平台去讲授课程，学员同步去听，没有一个近距离的学习感受，相对学习效果比面授稍差一些。同时，线上直播的形式对于学员自身的自制力有很大要求，没有外力去督促，更多的依靠学员学习的主动性。

2、推荐等任务。模型的部署可以是将其嵌入到应用程序中、建立服务接口供其他系统调用，或部署到云端等方式。通过机器学习，计算机系统可以从大量数据中学习和提取模式，从而实现人工智能的能力，如自动驾驶、语音识别、图像分类、智能推荐等。机器学习的发展为实现更智能、自动化的系统提供了重要的方法和工具。

3、这里面有些问题概念很多，真不是一句两句可以解释清楚的，所以只能初步说一下。问题一：什么是神经网络框架，什么是模型，两者之间是什么关系。模型好比是一栋楼，楼的结构可以是茅草屋也可以是高楼大厦，神经网络是比较复杂的模型，框架结构就像是高楼大厦。

4、在Python中学习机器学习的四个步骤 首先使用书籍、课程、***来学习 Python 的基础知识 然后掌握不同的模块，比如 Pandas、Numpy、Matplotlib、NLP （自然语言处理），来处理、清理、绘图和理解数据。接着能够从网页抓取数据，无论是通过网站API，还是网页抓取模块Beautiful Soap。

5、机器学习（MachineLearning），在我看来就是让机器学习人思维的过程。机器学习的宗旨就是让机器学会“人识别事物的方法”，我们希望人从事物中了解到的东西和机器从事物中了解到的东西一样，这就是机器学习的过程。

机器学习有哪些模型和特点?

1、主要有统计机器学习。统计机器学习是基于对数据的初步认识以及学习目的的分析，选择合适的数学模型，拟定超参数，并输入样本数据，依据一定的策略，运用合适的学习算法对模型进行训练，最后运用训练好的模型对数据进行分析预测。

2、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） 演绎学习 （3） 类比学习：典型的类比学习有案例（范例）学习。

3、大模型是指参数规模极为庞大的机器学习模型，特别是深度学习模型。这类模型的特点是拥有数亿到数万亿的参数量，能够在自然语言处理、计算机视觉、语音识别等多个领域展现卓越的性能。它们通过在大规模数据集上的预训练，能够学习到广泛而深入的模式，从而具备强大的语言生成、理解、多模态处理等能力。

4、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） 演绎学习（3） 类比学习：典型的类比学习有案例（范例）学习。

5、机器学习模型评价指标及R实现 ROC曲线 考虑一个二分问题，即将实例分成正类（positive）或负类（negative）。对一个二分问题来说，会出现四种情况。如果一个实例是正类并且也被 预测成正类，即为真正类（True positive），如果实例是负类被预测成正类，称之为假正类（False positive）。

6、深度学习 深度学习（Deep Learning）的概念源于人工神经网络的研究。含多隐层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。

关于机器学习的有点，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。