种机器学习算法介绍学习教案.pptx

会计学
1
种机器(jī qì)学习算法介绍
第一页，共67页。
监督(jiāndū)式学习
工作机制
这个算法由一个目标变量或结果变量（或因变量）组成。
此变量由已知的一系列预示变量（自变量）预测而来。
利用这一系列变量，我们(wǒ men)生成一个将输入值映射到期望输出值的函数。
这个训练过程会一直持续，直到模型在训练数据上获得期望的精确度。
例子
线性回归，决策树，SVM，K – 近邻算法，逻辑回归 等
第2页/共68页
第二页，共67页。
非监督(jiāndū)式学习
工作机制(jīzhì)
没有任何目标变量或结果变量要预测或估计。
用在不同的组内聚类分析。

例子
关联算法， K – 均值算法
第3页/共68页
第三页，共67页。
强化(qiánghuà)学习
工作机制
训练机器进行决策。
机器被放在一个能让它通过反复试错来训练自己(zìjǐ)的环境中。
机器从过去的经验中进行学习，并且尝试利用了解最透彻的知识作出精确的判断。
例子
马尔可夫决策过程
第4页/共68页
第四页，共67页。
十大机器学习(xuéxí)算法
1、线性回归
2、逻辑(luó jí)回归
3、决策树
4、SVM
5、朴素贝叶斯
6、k-Means算法
7、kNN算法
8、Apriori算法
9、最大期望算法（EM）
10、PageRank
第5页/共68页
第五页，共67页。
监督(jiāndū)式学习与非监督(jiāndū)式学习的差别
监督式学习方法，要求：
事先明确知道各个类别的信息
所有待分类项都有一个类别与之对应
如果不能满足(mǎnzú)上述两个条件（例如有海量数据），则需适用聚类算法，即非监督式学习。
监督式学习
非监督式学习
线性回归
逻辑回归
决策树
朴素贝叶斯
SVM
KNN
K-means
Apriori
EM
PageRank
第6页/共68页
第六页，共67页。
线性回归(huíguī)
适用场景
根据连续变量估计实际数值（房价、呼叫次数、总销售额等）。
原理
可通过拟合最佳直线(zhíxiàn)来建立自变量和因变量的关系。拟合结果是条直线(zhíxiàn) Y= a *X + b：其中Y是因变量，a是斜率，x是自变量，b是截距
最佳直线(zhíxiàn)叫做回归线。系数 a 和 b 通过最小二乘法获得。
Python代码
from sklearn import linear_model
x_train=input_variables_values_training_datasets
y_train=target_variables_values_training_datasets
x_test=input_variables_values_test_datasets
linear = ()
(x_train, y_train)
(x_train, y_train)
第7页/共68页
第七页，共67页。
线性回归(huíguī)
针对线性回归容易出现欠拟合的问题，采取局部加权线性回归。
在该算法中，赋予预测点附近每一个点以一定的权值，(kěyǐ)实现对临近点的精确拟合同时忽略那些距离较远的点的贡献，即近点的权值大，远点的权值小，k为波长参数，控制了权值随距离下降的速度，越大下降的越快。
第8页/共68页
第八页，共67页。
线性回归(huíguī)
针对数据的特征比样本点多的问题(wèntí)：
一、岭回归
二、前向逐步回归
第9页/共68页
第九页，共67页。
逻辑(luó jí)回归
适用场景
该算法可根据已知的一系列因变量估计离散(lísàn)数值的出现概率。
原理
这是一个分类算法而不是一个回归算法。
从数学上看，在结果中，几率的对数使用的是预测变量
的线性组合模型。
ln(p/(1-p)) = b0+b1*X1+b2*X2+b3*X3....+bk*Xk
分布函数：

式中， 位置参数， 为形状参数
#Import Library
from import Log