数据分析师-数据挖掘与机器学习-机器学习基础_神经网络与深度学习基础.docxVIP

PAGE1

PAGE1

机器学习基础

1监督学习与非监督学习

1.1监督学习

监督学习是一种机器学习方法，其中模型从带有标签的训练数据中学习。这意味着每个训练样本都包含输入数据和期望的输出结果。模型的目标是通过学习输入和输出之间的关系，来预测新输入数据的输出。

1.1.1示例：线性回归

线性回归是一种简单的监督学习算法，用于预测连续值输出。假设我们有一组数据，表示房屋的大小（平方米）和价格（万元）：

#示例数据

importnumpyasnp

X=np.array([[50],[60],[70],[80],[90],[100]])#房屋大小

y=np.array([30,35,40,45,50,55])#房屋价格

#使用线性回归模型

fromsklearn.linear_modelimportLinearRegression

model=LinearRegression()

model.fit(X,y)

#预测新数据点

new_data=np.array([[75]])

prediction=model.predict(new_data)

print(预测价格：,prediction[0])

1.2非监督学习

非监督学习处理没有标签的数据，模型的目标是发现数据的内在结构或模式。常见的非监督学习任务包括聚类和降维。

1.2.1示例：K-means聚类

K-means是一种流行的非监督学习算法，用于将数据点分组到K个簇中。假设我们有一组数据，表示不同客户的消费行为：

#示例数据

importnumpyasnp

X=np.array([[1,2],[1,4],[1,0],

[4,2],[4,4],[4,0]])

#使用K-means模型

fromsklearn.clusterimportKMeans

kmeans=KMeans(n_clusters=2,random_state=0)

kmeans.fit(X)

#预测数据点所属的簇

predictions=kmeans.predict([[0,0],[4,4]])

print(预测簇：,predictions)

2回归与分类问题

2.1回归问题

回归问题涉及预测连续值输出。线性回归和多项式回归是解决回归问题的常见方法。

2.2分类问题

分类问题涉及预测离散值输出，即数据点属于哪个类别。常见的分类算法包括逻辑回归、支持向量机和决策树。

2.2.1示例：逻辑回归分类

逻辑回归是一种用于分类问题的线性模型。假设我们有一组数据，表示肿瘤的大小和是否为恶性：

#示例数据

importnumpyasnp

X=np.array([[1.1],[1.3],[1.5],[2.1],[2.3],[2.5]])

y=np.array([0,0,0,1,1,1])#0表示良性，1表示恶性

#使用逻辑回归模型

fromsklearn.linear_modelimportLogisticRegression

model=LogisticRegression()

model.fit(X,y)

#预测新数据点

new_data=np.array([[1.7]])

prediction=model.predict(new_data)

print(预测结果：,prediction[0])

3特征选择与工程

特征选择是选择对模型预测最有用的特征的过程。特征工程涉及创建新的特征或转换现有特征，以提高模型性能。

3.1示例：特征选择

使用递归特征消除（RFE）进行特征选择：

#示例数据

importnumpyasnp

X=np.array([[1,2,3],[4,5,6],[7,8,9]])

y=np.array([0,1,1])

#使用RFE进行特征选择

fromsklearn.feature_selectionimportRFE

fromsklearn.linear_modelimportLogisticRegression

model=LogisticRegression()

rfe=RFE(model,n_features_to_select=2)

rfe.fit(X,y)

#输出选择的特征

print(选择的特征：,rfe.support_)

4模型评估与选择

模型评估涉及使用指标来衡量模型的性能。常见的评估指标包括准确率、精确率、召回率和F1分数。

4.1示例：模