机器学习基础

机器学习是人工智能的核心分支,主要分为监督学习和无监督学习两大范式。

监督学习

监督学习使用标注数据进行训练,适用于分类和回归任务。

核心算法

• 线性回归 - 预测连续值
• 逻辑回归 - 二分类问题
• 决策树 - 可解释性强
• SVM - 高维数据分类
• 随机森林 - 集成学习方法

应用场景

# 监督学习示例:房价预测
from sklearn.linear_model import LinearRegression
from sklearn.model_selection import train_test_split

# 准备数据
X_train, X_test, y_train, y_test = train_test_split(
    features, prices, test_size=0.2
)

# 训练模型
model = LinearRegression()
model.fit(X_train, y_train)

# 预测
predictions = model.predict(X_test)

无监督学习

无监督学习无需标注数据,用于发现数据内在结构。

核心算法

• K-Means - 聚类分析
• PCA - 降维处理
• DBSCAN - 密度聚类
• 层次聚类 - 多层次分组

应用示例

# 无监督学习示例:客户聚类
from sklearn.cluster import KMeans

# K-Means聚类
kmeans = KMeans(n_clusters=3, random_state=42)
clusters = kmeans.fit_predict(customer_data)

# 可视化结果
plt.scatter(customer_data[:, 0], customer_data[:, 1], c=clusters)
plt.title('客户群体聚类结果')
plt.show()

总结

• 监督学习: 需要标注数据,适合预测任务
• 无监督学习: 无需标注,适合探索性分析

选择合适的机器学习方法,取决于数据特性和业务需求。

---

相关阅读:

• 深入理解LLM
• Transformer架构详解