了解人工智能、机器学习，学习AI算法，欢迎大家沟通交流
目录
定义
机器学习
定义
构造复杂的、拥有与人类智慧同样本质特性的机器。
机器学习
一种实现人工智能的方式。机器学习最基本的做法是使用算法解析数据从中学习，然后对真实世界中的事件进行预测和决策。与传统的特定任务、硬编码的软件程序不同，机器学习是用大量的数据来训练，通过各种算法从数据中学习如何完成任务。
经验+思维=规律
数据+算法=模型
数据量决定了模型的高度，算法只是逼近这个高度
大数据是机器学习的根基
大数据是对历史的总结、机器学习是对未来的展望
线性回归(回归算法)
在空间中找到一条合适的直线。
什么是合适的直线:
距离空间中的点误差小。
可以代表空间中的数据规律。
梯度下降法：优化误差函数（损失函数），调整w参数。
贝叶斯(分类算法)
逆概
条件概率
公示：p(A|B)=P(A)*P(B|A)/P(B)
适用简单分类
KNN(分类算法)
KNN思想：如果一个样本在特征空间中的K个最相似的样本中的大多数属于一个类别，则该样本也属于这个类别。k值不同，预测的结果也可能不同。
距离测度的几种方法：
欧式距离：两点直线距离。
平方欧氏距离
曼哈顿距离：没有斜线
余弦距离：一般用来计算文本相似度
闵可夫斯距离：对一组距离的定义
归一化问题：
如果一个特征值域范围非常大，那么距离计算就主要取决于这个特征，从而与实际情况相悖（比如这时实际情况是值域范围小的特征更重要）数据归一化将所有数据映射到统一尺度
AI 代码解读
适用多分类
Kmeans(聚类算法)
聚类算法是一种无监督的机器学习任务，无监督是一种对不含标记的数据建立模型的机器学习范式，可以自动将数据划分，因此聚类分组不需要提前被告知所划分的组应该是什么样的。我们甚至不知道我们在寻找什么，所以聚类是用于只是发现而不是预测。
聚类流程（不断迭代）：
随机找到k个样本（中心点）
计算空间中所有样本与k个样本的距离
统计每一个样本与k个样本距离的大小，距离哪个k样本最近，那么属于哪一类
每个组中重新计算一个新的中心点，中心点可能为虚拟的点
再次计算空间中所有样本与这个k中心点的距离
再次重新分类
依次迭代，直到中心点坐标不再改变或指定迭代次数
问题一：如果随机中心点比较集中，导致聚类效果差，迭代次数高
解决：
Kmeans++ 算法，Kmeans升级版，在第一步选中心点优化。首先找第一个中心点差c1，依次找距离前面中心点远的中心点。
a.从输入的数据点集合中随机选择一个点作为第一个聚类中心
b.对于数据集中的每一个点x，计算它与最近聚类中心的距离D(x)
c.选择一个新的数据点作为新的中心点，选择的原则是：D(x)较大的点被选取作为聚类中心的概率较大
d.重复复b和c直到k类聚类中心被选出
e.利用这k个出事的聚类中心运行标准的k-means算法
AI 代码解读
问题二：k值怎么选择？选几个？
聚类效果好不好？衡量标准：类与类之间的差异大，但是类内部相似度很高
解决：
肘部法
逻辑回归(分类算法)
线性回归VS逻辑回归
决策树(分类算法)&随机森林
纯粹度用信息熵表示
总结：决策树有监督的非线性分类，通过树来分类，根据历史数据对已知的分类结果以及分类条件进行计算达到最有效、最纯粹的分类。计算流程：
1. 计算各个分类结果的信息熵（纯粹度）=-(分类结果1占比*log分类结果1占比+分类结果n占比*log分类结果n占比)。
2.计算各个分类条件的条件熵=-(分类结果1/分类条件1)+(分类结果n/分类条件1)*分类条件1占比-(分类结果1/分类条件n)+(分类结果n/分类条件n)*分类条件n占比。
3.获得信息增益（信息熵-条件熵），信息增益最大先进行分类。
4.为了防止过拟合问题（比如用id作为条件分类），可以使用信息增益率（信息增益/信息熵）来进行分类。
5.信息增益率也会出现过拟合问题，这个时候需要进行剪枝操作：
（1）预剪枝：指定树的高度、信息增益等指标，达到指标后不在进行分类
（2）后剪枝：树已构建出，对已有的树进行剪枝。通过对比剪枝前与剪枝后（某个节点的叶子节点）的误差决定是否剪枝，剪枝前误差<剪枝后的误差需要剪枝。误差函数：信息熵*该节点样本数+叶子节点个数。
AI 代码解读
决策树缺点：
1.运算量大，需要一次性加载所有的数据到内存。并且寻找分割条件极耗资源。
2.抗干扰能力差，训练数据样本出现异常数据会产生很大影响。
AI 代码解读
随机森林
随机森林=分布式决策树。解决运算量大、抗干扰能力差。
