python人工智能考前总结（有解析）

• 目录

  机器学习

  决策树

  分类与回归

   三主义

  几大深度学习平台

  训练集、验证集和测试集

  训练集、验证集和测试集

  有无监督学习1.

  K均值

  梯度下降

  1.​

  对于申请贷款的数据集，如下：

  数据集计算

  K均值目标函数和优缺点

  ​

  K-Means优点：

  ---

  机器学习

• 机器学习的定义----机器学习是一个研究领域，它是计算机能够在没有明确编程的情况下进行学习。

• 决策树

决策树方法中，使用信息增益作为分裂节点选择的是----ID3.

决策树方法中，使用信息增益率作为分裂节点选择的是----C4.5.

决策树方法中，使用信息基尼系数作为分裂节点选择的是----CART.

• 决策树是如何选择特征和分裂点？ - 奔奔的文章 - 知乎 https://zhuanlan.zhihu.com/p/341598480
• 

• 分类与回归

1. 未来几天是否下雨，是否破产这类是否问题----分类
2.  预测降雨量，或者什么东西的数量----回归

    logistic回归属于----分类算法 

logistic回归原理与实现 - 小胡子的文章 - 知乎 https://zhuanlan.zhihu.com/p/95132284

把F(X)=H(X)；

https://blog.csdn.net/pql925/category_7355035.htmlhttps://blog.csdn.net/pql925/category_7355035.html

•  三主义

以神经元为基础的神经网络属于人工智能那一学派----连接主义

https://blog.csdn.net/u011531010/category_6483319.html

• 几大深度学习平台

谷歌推出的深度学习平台是----TensorFlow

paddlepaddle----百度

pytorch----facebook

sklearn----不知道

 1.

 

• 训练集、验证集和测试集

1.在哪一个数据集中一般来说对用户是不可见的---测试集

2.泛化能力一般指在哪个数据集中 性能----测试集

训练集、验证集和测试集

训练集：用来训练模型；

验证集：用来选择超参数；

测试集：评估模型的泛化能力；

• 有无监督学习1.

• 1.对于无标记数据，最好使用----无监督学习

• 2.对于有标记是数据，用----有监督学习

 

什么是无监督学习算法？

监督学习算法可分为回归、分类和异常检测或维度缩减问题。 无监督学习算法会在可用数据中获取价值。 这意味着算法能找到数据的内部联系、找到模式，或者根据数据间的相似程度将数据集划分出子集。

A.预测产量是回归问题----有监督算法

B.在可用数据中获得价值 ----无监督算法

C.获取价值从而给出回应----无监督算法

D.分类 ----有监督算法

• K均值

• K均值聚类数目----由用户指定。

• k均值聚类是
• 最著名的划分聚类算法，由于简洁和效率使得他成为所有聚类算法中最广泛使用的。 给定一个数据点集合和需要的聚类数目k，k由用户指定，k均值算法根据某个距离函数反复把数据分入k个聚类中。

聚类(Clustering)是按照某个特定标准(如距离)把一个数据集分割成不同的类或簇，使得同一个簇内的数据对象的相似性尽可能大，同时不在同一个簇中的数据对象的差异性也尽可能地大。也即聚类后同一类的数据尽可能聚集到一起，不同类数据尽量分离。 

可以用，但是不适合。

• 梯度下降

• 1.

A.这题是数据集，所以不合适用解析方法

B.

C.

D.正确

答案：A

2.

 3.

 

 别注明外，本站所有文章均为卢明冬的博客原创 , 转载请注明作者和文章链接。
© 本文链接：梯度下降算法总结 | 卢明冬的博客

图1是图2的俯视图。

A对应于P，由图2可知，p点最低，就是全局最优解，代价函数最小时，而B是在中间 ，C在最靠边，也就是红色区域，是代价最大 

4.

解析 ：

 

 

• 对于申请贷款的数据集，如下：

 

 

 1.在测试集数据集上测试模型性能

• 数据集计算

 P(A/B)=P(AB)/P(B)

A:适合打网球

B:没风----8/14

AB:数数没风且适合打网球-----6/14

P(A/B)=(6/14)/(8/14)=3/4

计算温度 的信息增益 

• K均值目标函数和优缺点

 1.K均值是常用的聚类算法，请写出k均值的目标函数和算法的优缺点。

目标函数：

K-Means优点：

　　　　1）原理比较简单，实现也是很容易，收敛速度快。

　　　　2）聚类效果较优。

　　　　3）算法的可解释度比较强。

　　　　4）主要需要调参的参数仅仅是簇数k。

、

K-Means缺点：
　　　　1）K值的选取不好把握

　　　　2）对于不是凸的数据集比较难收敛

　　　　3）如果各隐含类别的数据不平衡，比如各隐含类别的数据量严重失衡，或者各隐                        含类别的方差不同，则聚类效果不佳。

　　　　4） 采用迭代方法，得到的结果只是局部最优。

　　　　5） 对噪音和异常点比较的敏感

               6）初始聚类中心的选择

  简洁版：

k均值简单并且可以用于各种数据类型。它相当有效，尽管常常多次运行。k均值的某些变种（包括二分K均值）甚至更有效，并且不太受初始化问题的影响。然而，k均值并不适合所有的数据类型。它不能出来非球形簇、不同尺寸和不同密度的簇。最后，k均值仅限于具有中心（质心）概念的数据。
 

1.

 总结：