《机器学习项目案例开发》课件全套 张明 1.1人工智能概述---26.推荐系统.pptx

人工智能技术与应用

1.1概述;;人工智能概述;机器学习;机器学习;开发流程;敬请指导！;人工智能技术与应用

1.2使用简单线性回归

预测广告投入的收入-数据分析;;人工智能概述;处理流程-加载数据;处理流程-相关性分析;处理流程-相关性分析;处理流程-选取数据;处理流程-选取数据;处理流程-选取数据;处理流程-线性回归;处理流程-选取数据;处理流程-拆分数据集;处理流程-数据归一化;处理流程-数据归一化;处理流程-数据归一化;敬请指导！;人工智能技术与应用

2.使用多元线性回归

预测广告投入的收入;;项目概述;多元线性模型;归一化;多元线性方程;梯度下降;梯度下降;梯度下降;准确率;敬请指导！;人工智能技术与应用

项目3：使用scikit-learn预测广告收入;;项目概述;多元线性模型;归一化;归一化;归一化;归一化;多元线性方程;敬请指导！;人工智能技术与应用

项目4：使用scikit-learn实现多项式回归;;多项式概述;多项式回归：

一个因变量与一个或多个自变量间多项式的回归分析方法，称为多项式回归，如果自变量只有一个时，称为一元多项式回归，如果有多个自变量时称为多元多项式回归。由于任何函数都可以使用多项式逼近，因此多项式回归有着广泛的应用。;特征增扩;pipeline：

Python中的pipeline和linux中的pipeline类似，把若干个命令连接起来，前一个命令的输出是后一个命令的输入，最终完成一个类似于流水线的功能。

函数：sklearn.pipeline.Pipeline(steps)

参数：steps:一个列表，列表的元素为(name,transform)元组,其中name是学习器的名字，用于输出和日志；transform是学习器，;敬请指导！;人工智能技术与应用

6.1机器学习分类;;机器学习分类;机器学习分类;机器学习分类;机器学习分类;机器学习分类;机器学习分类;机器学习分类;机器学习分类;机器学习分类;敬请指导！;人工智能技术与应用

6.2逻辑回归-判定边界;;机器学习分类;机器学习分类;机器学习分类;机器学习分类;机器学习分类;机器学习分类;机器学习分类;机器学习分类;机器学习分类;;机器学习分类;敬请指导！;人工智能技术与应用

6.2逻辑回归-判定边界;;机器学习分类;机器学习分类;机器学习分类;机器学习分类;机器学习分类;机器学习分类;机器学习分类;机器学习分类;;机器学习分类;敬请指导！;人工智能技术与应用

8.K-MEANS聚类;;聚类的概念;聚类的概念;K-MEANS算法;KMEANS工作流程;KMEANS工作流程;K-MEANS优缺点;敬请指导！;人工智能技术与应用

8.DBSCAN聚类;;DBSCAN概念;DBSCAN算法基本概念：

r邻域：给定对象半径为r内的区域称为该对象的r邻域。如图，P对象在半径r内构成的圆就是该对象的r邻域，如图1。

核心对象：如果给定对象r邻域内的样本点数大于等于MinPoints，则称该对象为核心对象；如图2：设置MinPoints的点为2，那么在对象p的e领域内有4个点，大于MinPoints，那么p对象就是核心对象。

ε-邻域的距离阈值：设定的半径r

直接密度可达：如果样本点q在p的r邻域内，并且p为核心对象，那么对象p-q直接密度可达，如图3。;DBSCAN算法基本概念：

密度可达：若有一个点的序列q0、q1、…qk，对任意qi-qi-1是直接密度可达的，则称从q0到qk密度可达，这实际上是直接密度可达的“传播”，如图1，q-p密度直达，m-q密度直达，那么m-p密度可达。

密度相连：若从某核心点p出发，点q和点k都是密度可达的,则称点q和点k是密度相连的，如图2：q-o是密度可达，p-o是密度可达，q-p是密度相连。

在DBSCAN中那些样本可以看成一个类（也称簇）。即最大的密度相连的样本集合。;密度可达与密度直达：

图中MinPts=5，红色的点都是核心对象，因为其?-邻域至少有5个样本。黑色的样本是非核心对象。所有核心对象密度直达的样本在以红色核心对象为中心的超球体内，如果不在超球体内，则不能密度直达。图中用绿色箭头连起来的核心对象组成了密度可达的样本序列。在这些密度可达的样本序列的?-邻域内所有的样本相互都是密度相连的。;DBSCAN算法基本概念：

边界点:属于某一个类的非核心点,不能发展下线了，如图中B、C点就是边界点。

噪声点：不属于任何一个类簇的点，从任何一个核心点出发都是密度不可达的，如图N点。

A核心对象、BC边界点、N离群点;DBSCAN流程：

参数D：输入数据集：

参数?：指定半径

MinPts：密度阀值;参数选择：

参数?：半径?，可以根据K距离来设定：找突变点

K距离：给定数据集P={p(i);