首页 计算机科学 数据分析

# 一、机器学习及分类

# 1.1🔍 机器学习任务分类（Machine Learning Problems）

  • Prediction（预测）

    • 包括分类（Classification）和回归（Regression）, 是一种有监督学习
    • ✅ 例子：

  • 分类问题（Classification）：

    • 判断一封邮件是不是垃圾邮件（标签：垃圾 vs 正常）
    • 预测一个肿瘤是良性还是恶性（标签：良性 / 恶性）

  • 回归问题（Regression）：

    • 根据房屋面积、地段等预测房价（标签是一个连续数值）

  • Clustering / Segmentation / Association Rules（聚类 / 分群 / 关联规则）

    • 用于发现数据中的潜在模式（无监督学习）
    • ✅ 例子：

  • 聚类（Clustering）：

    • 把用户按浏览行为自动分组，例如：“白领群”、“学生群”、“夜猫子群”

  • 关联规则（Association Rules）：

    • 从购物记录中发现常见搭配：买 “尿布” 的人常常也买 “啤酒”（{尿布} → {啤酒}）

  • Outlier / Anomaly Detection（异常点检测）

    • 发现不寻常的数据行为或模式

    • ✅ 例子：

    • 信用卡交易异常检测：

      • 用户平时都在悉尼刷卡，但突然在纽约消费一笔巨额交易 → 可能是欺诈！

    • 网络安全：

      • 突然爆发的高频访问行为 → 可能是 DDoS 攻击

  • Reinforcement Learning（强化学习）

    • 模仿婴儿学习过程，从奖励中逐步优化行为
    • ✅ 例子：

  • 训练自动驾驶小车在轨道上绕圈跑，越跑越稳

  • AI 玩《超级马里奥》或围棋，通过不断试错 + 胜负反馈来改进策略

  • 工业机器人学会抓取不同形状物体，完成装配任务

# 🧠 什么是机器学习？（What is Machine Learning?）

创建和使用从数据中学到的模型，用于完成各种预测与决策任务。

  • 📧 例子：
    • 判断邮件是否是垃圾邮件
    • 在复杂数据中挖掘隐藏规则
    • 识别信用卡欺诈交易
    • 判断肿瘤是良性还是恶性

# 📌 中文分类小结

英文术语中文翻译
Prediction预测任务
Clustering分类 / 聚类任务
Outlier / Anomaly Detection异常模式识别
Reinforcement Learning强化学习

# 1.2📊 机器学习建模流程

1
2
3
┌──────┐     ┌────────────────┐     ┌────────┐     ┌────────────┐
│ Data │ ──▶ │ Data Processing│ ──▶ │ Model  │ ──▶ │ Prediction │
└──────┘     └────────────────┘     └────────┘     └────────────┘

# 1️⃣ Data（数据）

原始数据收集阶段，可能包括日志、交易、用户行为、传感器读数等。

# 2️⃣ Data Processing（数据预处理）

对原始数据进行清洗、转换和标准化，以便模型能够有效使用。

  • 包括操作：
    • 缺失值处理
    • 特征归一化 / 标准化
    • 编码（如 One-hot）
    • 数据划分（训练集 / 测试集）

# 3️⃣ Model（模型）

使用训练数据来训练一个模型，模型可以是分类器、聚类器或回归器。

  • 模型种类示例：
    • Classifiers：逻辑回归、SVM、决策树（用于分类任务）
    • Clusters：K-means、DBSCAN（用于无监督聚类）
    • Regression：线性回归、岭回归等（用于连续值预测）

# 4️⃣ Prediction（预测）

使用训练好的模型对新数据进行预测，输出分类标签、概率或数值。

# 📌 总结一句话：

从原始数据出发 → 清洗处理 → 构建模型 → 输出预测结果
是所有机器学习项目的基础框架。

# 1.3📚 监督学习 vs 非监督学习（Supervised vs. Unsupervised Learning）

# 🔴 Supervised Learning（监督学习）

模型训练时有 “老师”—— 每条训练数据都带有标签（label）。

  • ✅ 常见任务：

    • 分类（Classification）：判断某对象属于哪个类别
      • 例：判断邮件是否为垃圾邮件
    • 回归（Regression）：预测一个连续数值
      • 例：根据面积预测房价

  • 🧠 关键点：

    • 每个训练样本都有对应的 “答案”（标签）
    • 目标是学会从输入特征预测标签

# 🔵 Unsupervised Learning（非监督学习）

模型没有 “答案”，自己从数据中找规律。

  • ✅ 常见任务：

    • 聚类（Clustering）：自动把数据分组
      • 例：将顾客分成不同群体
    • 关联规则（Association Rule Mining）：发现项目之间的共现关系
      • 例：买了尿布也容易买啤酒

  • 🧠 关键点：

    • 训练数据没有标签
    • 目标是揭示隐藏的结构、模式或规则

# 📌 对比总结表格：

特征监督学习非监督学习
是否有标签✅ 有❌ 无
输出类型分类 / 回归聚类 / 关联
学习目标学习从输入预测输出发现数据内在结构
示例算法决策树、SVM、线性回归K-means、Apriori、PCA