机器学习预备知识-EW帮帮网

一、机器学习应用领域

1.1 推荐系统

典型案例：移动 APP 推荐功能
核心方法：基于用户行为数据的协同过滤与深度学习

1.2 计算机视觉

应用场景：图像分类、目标检测
关键技术：卷积神经网络（CNN）

1.3 博弈决策

里程碑案例：AlphaGo 围棋系统
核心技术：深度强化学习与蒙特卡洛树搜索

二、核心概念体系

2.1 概念关系图谱

2.2 关键术语解析

数据集结构：

食材新鲜度	火候	烹饪技术	菜肴评价
新鲜	偏大	熟练	中等
不够新鲜	适中	一般	好

任务类型：
- 监督学习：分类（离散值）、回归（连续值）
- 无监督学习：聚类、降维

三、机器学习三要素

3.1 模型架构

$\mathcal{F}=\{f\mid Y=f(X)\} \quad \text{或} \quad \mathcal{F}=\{P\mid P(Y\mid X)\}$

3.2 优化策略

损失函数公式：
$\frac{1}{N}\sum_{i=1}^N L(y_i, f(x_i)) + \lambda J(f)$

3.3 求解算法

梯度下降法
牛顿法
拟牛顿法

四、性能评估体系

4.1 分类指标

混淆矩阵示例：

	预测正	预测负
实际正	TP=70	FN=25
实际负	FP=15	TN=50

核心指标：

准确率：
精确率：
召回率：

4.2 回归指标

指标	公式
MAE	$\frac{1}{n}\sum y_i-\hat{y}_i$
MSE	$\frac{1}{n}\sum(y_i-\hat{y}_i)^2$
R²	$1-\frac{SS_{res}}{SS_{tot}}$

五、编程实践

5.1 NumPy 基础

import numpy as np
arr = np.array([1,2,3])
print(arr.dtype)  # 输出：int32

5.2 sklearn 建模

from sklearn.datasets import load_iris
from sklearn.linear_model import LogisticRegression

X, y = load_iris(return_X_y=True)
model = LogisticRegression().fit(X, y)
print(model.predict(X[:2]))  # 样本预测

六、实战练习

6.1 手动计算题

给定测试集与预测结果：

y_test = [1,1,0,1,0,0,1,0,1,0,1,0,1,0,1,0,1,1,0,0,1,0,1,1,1,0,0,0,1,0]
y_pred = [1,0,1,1,0,1,1,0,1,0,0,0,1,0,1,0,1,1,0,1,1,1,1,1,1,0,1,0,1,1]

计算步骤：

构建混淆矩阵
计算 Accuracy/Precision/Recall
推导 F 1 Score
估算 AUC 值

6.2 代码验证

from sklearn.metrics import accuracy_score, precision_score, recall_score, f1_score, roc_auc_score

print(f"Accuracy: {accuracy_score(y_test, y_pred):.2f}")
print(f"AUC: {roc_auc_score(y_test, y_pred):.2f}")

七、延伸思考

如何解决过拟合问题？
特征工程对模型性能的影响
不同优化算法的适用场景

附录：机器学习发展历程时间轴
1950 s：图灵测试提出 → 1980 s：反向传播算法 → 2012：AlexNet 突破 → 2016：AlphaGo 里程碑

机器学习预备知识