监督学习：揭秘机器学习的“有监督”世界

LoocyRen

817人浏览 · 2024-06-19 21:26:49

LoocyRen · 2024-06-19 21:26:49 发布

监督学习：揭秘机器学习的“有监督”世界

在机器学习中，监督学习就像一个经验丰富的老师，通过观察已有的数据和相应的标签，教会机器如何预测未来。它可以分为两大类：回归和分类，分别对应着预测连续值和离散值。本文将深入浅出地讲解监督学习中的常见算法，并辅以实例和代码，让你轻松入门。

1. 回归：预测连续值

回归算法用于预测连续型变量的值，例如房屋价格、股票价格、温度等等。常见算法包括：

1.1 线性回归

基本原理： 线性回归利用一个线性函数来拟合数据，并预测新的数据点的值。

公式： y = wx + b

y：预测值
x：输入值
w：权重
b：偏差

优点： 简单易懂，易于实现。

缺点： 只能拟合线性关系，对于非线性数据效果较差。

实例： 预测房屋价格

假设你有一组数据，包含房屋面积和价格。你可以利用线性回归模型，找到一条直线来拟合这些数据点，并预测新的房屋价格。

代码示例 (Python)：

import numpy as np
from sklearn.linear_model import LinearRegression

# 假设数据
area = np.array([100, 150, 200, 250, 300])
price = np.array([1000, 1500, 2000, 2500, 3000])

# 创建线性回归模型
model = LinearRegression()

# 训练模型
model.fit(area.reshape(-1, 1), price)

# 预测新房价格
new_area = 220
predicted_price = model.predict(np.array([[new_area]]))

print("预测价格：", predicted_price)

1.2 多元线性回归

基本原理： 与线性回归类似，但可以包含多个自变量。

公式： y = w1x1 + w2x2 + … + wnXn + b

y：预测值
x1, x2, …, xn：多个输入值
w1, w2, …, wn：权重
b：偏差

优点： 可以考虑多个因素对目标变量的影响。

缺点： 当自变量数量过多时，模型可能会变得复杂，难以解释。

1.3 非线性回归

基本原理： 使用非线性函数来拟合数据，例如多项式回归、神经网络等。

优点： 可以拟合更复杂的关系，提高模型的准确性。

缺点： 模型更复杂，训练难度更大。

2. 分类：预测离散值

分类算法用于预测离散型变量的值，例如邮件是否为垃圾邮件、图像是否包含猫等等。常见算法包括：

2.1 逻辑回归

基本原理： 利用逻辑函数将线性模型的输出转化为概率值，用于预测类别。

公式： p = 1 / (1 + exp(-(wx + b)))

p：预测类别概率
x：输入值
w：权重
b：偏差

优点： 简单易懂，易于解释。

缺点： 只能处理二分类问题，对于多分类问题需要进行扩展。

实例： 识别垃圾邮件

假设你有一组数据，包含邮件内容和是否为垃圾邮件的标签。你可以利用逻辑回归模型，训练一个模型来识别新的邮件是否为垃圾邮件。

代码示例 (Python)：

import numpy as np
from sklearn.linear_model import LogisticRegression

# 假设数据
emails = np.array(["你好，请查看附件...", "恭喜你中奖了...", "您好，请关注我们..."])
labels = np.array([0, 1, 0])

# 创建逻辑回归模型
model = LogisticRegression()

# 训练模型
model.fit(emails, labels)

# 预测新邮件是否为垃圾邮件
new_email = "您有一笔新的订单需要支付..."
predicted_label = model.predict(np.array([new_email]))

print("预测结果：", predicted_label)