简单介绍机器学习建模过程
【摘要】在机器学习中,我们会遇到很多算法,而这些算法都是能够帮助机器学习解决很多问题, 可以说,机器学习是整个人工智能的核心。当然,机器学
在机器学习中,我们会遇到很多算法,而这些算法都是能够帮助机器学习解决很多问题, 可以说,机器学习是整个人工智能的核心。当然,机器学习的算法特征之一就是模型,那么大家是否知道机器学习建模的过程是什么呢?下面我们就给大家介绍一下这个内容。
建模的过程离不开模型的求解,我们假设输入特征变量记为X,输出变量记为Y,他们对应的具体取值分别记为x和y,输入变量X可以是标量也可以是向量。本系列课程中除非特殊声明,否则特征向量都是列向量,因此输入实例x的列向量可以表示为:x=(x(1),x(1),...,x(i),...,x(n))T。
那么这个式子是什么意思呢?其中x(i)表示x的第i个特征值,因此x是一个具有n个特征值的特征向量。注意,我们将会使用另一种表示方法xi表示第i个输入实例。那么第i个输入实例的第k个特征值就表示为x(k)i。因此,对于具有N个训练实例的有监督学习的训练数据集就可以表示为:T={(x1,y1),(x2,y2),...,(xN,yN)}。当我们有了以上的数据表示,那么对于一个机器学习算法来说,基本上的提出过程可以总结为四个步骤。
第一就是根据特征向量的数据分布提出一个合适的模型函数 y=f(x;θ) 来估计参数分布。第二个步骤就是提出一个合适的损失函数 L(x,y) 计算对于训练数据集上的所有训练样本估计的误差损失大小:L(x,y)=1NN∑i=1L(yi,f(xi))。第三个步骤就是用合适的优化算法使得损失函数带有参数的 L(x,y) 的值最小化,即:minf∈F1NN∑i=1L(yi,f(xi))。第四个步骤就是求解最优化上述函数值得到 L(yi,f(xi)) 的最小值,从而得到原函数 y=f(x;θ) 的参数值θ的解:θ=(θ(1),θ(2),...,θ(K))。
在上述的式子中,参数个数K与模型函数 f(x;θ)相关,与特征向量维数以及数据集个数无关。这样新的类标未知的样本x就可以直接输入到函数f(x)中就可以得到新的预测类标值y。
我们为什么要重视建模过程呢?其实机器学习算法要素有四点,分别是特征、模型、策略和算法。所以我们一定要对模型给予足够重视。在这篇文章中我们给大家介绍了关于机器学习建模过程的相关知识,通过对这些知识的介绍,相信大家已经知道了机器学习建模的过程,希望这篇文章能够帮助大家更好地理解机器学习。
就业培训申请领取
环球青藤
官方QQ群扫描上方二维码或点击一键加群,免费领取大礼包,加群暗号:青藤。 一键加群
数据分析师相关文章推荐
|数据分析师最新文章推荐
刷题看课 APP下载
免费直播 一键购课
代报名等人工服务
- 1 传统数据和大数据的区别
- 2 数据分析的8种方法都是哪些?
- 3 3大常用的数据分析工具是什么?
- 4 数据分析的具体流程是什么?
- 5 excel中的运算符
- 6 数据分析的作用有哪些?
- 7 电子商务需要分析哪些数据?
- 8 数据分析包括哪些内容?
- 9 rdd是什么?
- 10 数据分析的基本步骤