从头开始学人工智能

文章目录

从头开始学人工智能
- 今日学习目标！

今日学习目标！

序

前面我们已经简单学习了numpy,pandas,matplotlib，在我学习java的时候都是跟着视频去敲过来的，后面需要自己思考，接着就是看源码，源码基本都在啃书，后面就不再喜欢看视频了，毕竟书的话才算是第一数据来源吧！至于java学的怎么样，也就是看了spring和mybaits源码，然后自己慢慢自己敲，感觉还是蛮不错的！反正现在是喜欢去看书！这个都是看自己的爱好的吧！之前也是跟着老师去研究研究算法，一些单目标，多目标算法，当时的话还是觉得工程好玩，现在的话，我会毫不犹豫的选择算法！真香定理吧！一些传统算法还是可以的，这次蓝桥杯确实打击有点大！不管不管！静下心一起学习！说这么多就是想说，我们可以先跳到这个有成就感的地方来入门这个，随着使用巩固前面的知识，加深前面的知识！至于不会的知识可以去自己了解！去补充！好吧不多说啦！

机器学习分类

是否在人类监督下进行训练（监督，无监督和强化学习）

在机器学习中，无监督学习就是聚类，事先不知道样本的类别，通过某种办法，把相似的样本放在一起归位一类；而监督型学习就是有训练样本，带有属性标签，也可以理解成样本有输入有输出。

所有的回归算法和分类算法都属于监督学习。回归和分类的算法区别在于输出变量的类型，定量输出称为回归，或者说是连续变量预测；定性输出称为分类，或者说是离散变量预测

１.１线性模型

１.１.１普通最小二乘法（分类算法）

这里解释一下分类算法！

解释一下最小二乘法

通俗易懂学习最小二乘法

如果理解了上面的过程，那么我们就可以提到训练和模型了！

那假设上面的公式是错误的呢！

在这里插入图片描述

这里加啦一个参数b是不是将两个点拟合了！

也就是说不同的数据值拟合出来的模拟的向量是不同的！

得到的参数也就是【k,b】也就是斜率和偏移量！

经过啦这样的解说！现在对于这个也就有了一定的认识！

先了解一下最小二乘！

简单的来说，每次变化一点，慢慢拟合

在这里插入图片描述

这里对[K,J]函数的k=1的切点求导，然后用 J原来-J更新比较一下，判断是否更新，这样基本就能达到局部最优！为毛是局部最优，后话后话，可以细想想为啥为啥减去求导就会靠近优解，再想想有什么问题！这也就是熟悉的一种，梯度下降算法！

使用最小二乘预测

# Code source: Jaques Grobler
# License: BSD 3 clause


import matplotlib.pyplot as plt
import numpy as np
from sklearn import datasets, linear_model
from sklearn.metrics import mean_squared_error, r2_score

# Load the diabetes dataset
diabetes_X, diabetes_y = datasets.load_diabetes(return_X_y=True)

# Use only one feature
#冒号在前，列项
diabetes_X = diabetes_X[:, np.newaxis, 2]

# Split the data into training/testing sets
print("-------------------------------------")
diabetes_X_train = diabetes_X[:-20]
print(len(diabetes_X_train))
diabetes_X_test = diabetes_X[-20:]
print("-------------------------------------")
print(len(diabetes_X_test))

# Split the targets into training/testing sets
diabetes_y_train = diabetes_y[:-20]
diabetes_y_test = diabetes_y[-20:]

# Create linear regression object
regr = linear_model.LinearRegression()

# Train the model using the training sets
#拟合模型（使用训练集训练模型）
regr.fit(diabetes_X_train, diabetes_y_train)

# Make predictions using the testing set
#预测值
diabetes_y_pred = regr.predict(diabetes_X_test)

# The coefficients
print('Coefficients: \n', regr.coef_)
# The mean squared error
print('Mean squared error: %.2f'
      % mean_squared_error(diabetes_y_test, diabetes_y_pred))
# The coefficient of determination: 1 is perfect prediction
print('Coefficient of determination: %.2f'
      % r2_score(diabetes_y_test, diabetes_y_pred))

# Plot outputs
plt.scatter(diabetes_X_test, diabetes_y_test,  color='black')
plt.plot(diabetes_X_test, diabetes_y_pred, color='blue', linewidth=3)

plt.xticks(())
plt.yticks(())

plt.show()