工程服务建设网站,做网站卖酒,口碑营销属于什么营销,电商app制作费用一览表机器学习中线性回归和逻辑回归#xff1a;
机器学习的分类#xff1a;
监督学习和无监督学习#xff0c;半监督学习
监督学习#xff08;Supervised Learning#xff09;#xff1a;
监督学习是一种利用带有标签#xff08;标记#xff09;的数据进行训练的机器学习…机器学习中线性回归和逻辑回归
机器学习的分类
监督学习和无监督学习半监督学习
监督学习Supervised Learning
监督学习是一种利用带有标签标记的数据进行训练的机器学习方法。 在监督学习中训练数据包含输入样本和对应的标签预期输出。 学习的目标是通过训练数据构建一个模型该模型能够对新的未标记数据进行预测或分类。 监督学习的典型应用包括分类如垃圾邮件识别和回归如房价预测等。 无监督学习Unsupervised Learning
无监督学习是一种在没有标签标记的数据中发现模式和结构的机器学习方法。 在无监督学习中训练数据只包含输入样本没有相应的标签或预期输出。 学习的目标是从数据中推断出隐藏的结构、关系或规律。 无监督学习的典型应用包括聚类将数据划分为类别、降维减少数据的维度和关联规则挖掘等。 我们学到的例子是对花的分类具体过程如下
1加载数据。我们用到了鸢尾花Iris数据集这是机器学习和统计学中一个经典的数据集。该数据集包含 5 个属性下的 150 条记录 - 花瓣长度、花瓣宽度、萼片长度、萼片宽度和类别物种。 2分析和可视化数据集。将 75% 的行数据及对应标签作为训练集剩下 25% 的数据及其标签作为测试集。训练集与测试集的分配比例可以是随意的但使用 25% 的数据作为测试集是很好的经验法则。存在标签是监督学习重点利用伪随机数生成器将数据集打乱。。绘制训练集中特征的散点图矩阵。数据点的颜色与鸢尾花的品种相对应。 3模型训练。 4做出预测。 5评估模型。这里需要用到之前创建的测试集。这些数据没有用于构建模型但我们知道测试集中每朵鸢尾花的实际品种。因此我们可以对测试数据中的每朵鸢尾花进行预测并将预测结果与标签已知的品种进行对比。我们可以通过计算精度accuracy来衡量模型的优劣精度就是品种预测正确的花所占的比例。
线性回归处理数值问题最后预测结果是数字例如房价。
逻辑回归属于分类问题预测结果是离散分类监督学习在统计概率过程中是回归最后判断决定概率值是分类。如上述的花的分类。 语义网络表示不多说注意ISA和AKO的用处分别是isa和a kind of。注意隐晦的表达孙老师包含两个信息孙老师语义网络主题ISA老师属性。
归结法证明细节之一是量词辖域
证明B是A的逻辑结论是要将B取反然后和A进行或运算如果结果是永真即证明完成。
以这个为例
第一步是取消蕴含式符号第二步是减少否定符号的辖域。实行变量标准化用w来更新变量。然后消去存在量词化为前束式。化为合取范式。消去全称量词和连接词。
