当前课程知识点:Introduction to Artificial Intelligence >  Chapter 4 Classification >  4.1 What is Classification >  Video 4.1

返回《Introduction to Artificial Intelligence》慕课在线视频课程列表

Video 4.1在线视频

下一节:Courseware 4.1

返回《Introduction to Artificial Intelligence》慕课在线视频列表

Video 4.1课程教案、知识点、字幕

大家好

在上一章我们介绍了

什么是分类

机器学习有三种类型

监督学习

无监督学习

和强化学习

在监督学习中

我们要处理

两类问题

一类是分类问题

另一类是回归问题

上一章

已经介绍了回归

在本章中

我们将介绍什么是分类

以及如何处理它

分类是将给定数据集分类

为具体类的过程

它既可以在结构化数据上执行

也可以在非结构化数据上执行

该过程从预测给定数据点的类别开始

这些类通常称为

目标

标签或类别

分类预测建模是将

映射函数从输入变量

近似为离散类型的输出变量

的任务

主要目标是确定

新数据将属于哪个类或类别


与其他分类器相比

朴素贝叶斯分类器本质上非常快

分类的常见用例包括

疾病预测

文件分类

垃圾邮件过滤器

以及情绪分析

让我们尝试通过一个简单的例子

来理解这一点

可以将肿瘤的良性或恶性预测

视为一个分类问题

这是一种二元分类

因为只能存在两种类别

良性或恶性

在这种情况下

分类器需要训练数据

来了解给定的输入变量

与类的

关系

一旦对分类器进行了正确的训练

它就可以用来

预测

肿瘤是否恶变

由于分类是监督学习的一种类型

因此即使是目标

也将是提供自

输入数据

现在有很多分类算法可用

但是无法推断出

哪一种优于另一种

这取决于可用数据集的应用和性质

让我们看一下机器学习中的那些分类算法

机器学习中

最常见的

分类算法是

逻辑回归

朴素贝叶斯分类器

支持向量机

人工神经网络

等等

上一章

已经介绍了逻辑回归

现在,让我们讨论朴素贝叶斯分类器

支持向量机

和人工神经网络

朴素贝叶斯是基于贝叶斯定理的

机器学习中的概率分类器

朴素贝叶斯分类器假设

类中的一个特定功能

与任何其他功能均不相关

这就是

为什么将其称为朴素的原因

该图片表示贝叶斯定理

通过推导最大后验

即最大P Ci X

进行

上述假设适用于贝叶斯定理

通过仅计算类的分布

该假设大大降低了计算成本

即使这些要素相互依赖

所有这些属性

也会独立影响概率

并且朴素贝叶斯

的表现

令人印象深刻

朴素贝叶斯模型易于创建并且对于比较大的数据集

特别有用

即使采用简单的方法

朴素贝叶斯在机器学习中也胜过大多数

分类方法

朴素贝叶斯分类器需要少量的训练数据

来估计

获得结果所需的

参数

与其他分类器相比较

本质上非常快

唯一的缺点

已知它们是一个不好的估计器

支持向量机是一个分类器

它将训练数据表示为空间中的点

这些点被尽可能宽的

间隙

分成几类

通过预测新点属于哪个类别以及它们属于

哪个空间

将新点添加到空间中

人工神经网络是一组连接的

输入/输出单元

其中每个连接都具有关联的权重

在学习阶段

网络通过调整权重进行学习

以便能够预测

输入元组的

正确类别标签

现在有许多可用的网络架构

例如前馈神经网络

卷积神经网络

递归神经网络

等等

适当的体系结构取决于模型的应用

在大多数情况下

前馈模型

会给出相当准确的结果

对于图像处理应用而言

卷积网络

的性能更好

权重应用于

从一层传递到

另一层的信号

这些权重

在训练阶段进行了调整

以使神经网络适应任何问题

我们将在第5章中

详细讨论

人工神经网络

完成任何分类器之后,最重要的部分

是评估

以检查其准确性和效率

我们可以采用多种方法来评估分类器

让我们看一下下面列出的

这些方法

保持方法

这是评估分类器的

最常用方法

在这种方法中

给定的数据集

分为

测试和训练集

两部分

分别为20%和80%

训练集用于训练数据

而看不见的测试集用于

测试其预测能力

交叉验证

过度拟合是大多数机器学习模型中

最普遍的问题

可以进行

K折交叉验证

以验证

模型是否完全过拟合

精确度和召回率

精度是相关实例在检索到的实例中所占的比例

而召回率是

已检索到的相关实例

在相关实例总数中

所占的比例

精度和召回率用作相关性的度量

ROC曲线

ROC曲线用于

分类模型的可视化比较

显示了真实阳性率

和错误阳性率

之间的关系

ROC曲线

下的面积

是模型准确性的量度

这一节我们就讲到这

感谢收看,欢迎进入下一节的学习

Introduction to Artificial Intelligence课程列表:

Chapter 1 Overview of Artificial Intelligence

-1.1 What is artificial intelligence

--Video 1.1

--Courseware 1.1

--Exercise 1.1

-1.2 The History of artificial intelligence

--Video 1.2

--Courseware 1.2

--Exercise 1.2

-1.3 Applications of Artificial Intelligence

--Video 1.3

--Courseware 1.3

--Exercise 1.3

-1.4 Machine Learning and Deep Learning

--Video 1.4

--Courseware 1.4

--Exercise 1.4

Chapter 2 Machine Learning

-2.1 What is Machine Learning

--Video 2.1

--Courseware 2.1

-2.2 Supervised Learning

--Video 2.2

--Courseware 2.2

-2.3 Unsupervised Learning

--Video 2.3

--Courseware 2.3

-2.4 Construction of Development Environment

--Video 2.4

--Courseware 2.4

Chapter 3 Regression

-3.1 What is Regression

--Video 3.1

--Courseware 3.1

--Exercise 3.1

-3.2 Linear Regression

--Video 3.2

--Courseware 3.2

--Exercise 3.2

-3.3 Logistic Regression

--Video 3.3

--Courseware 3.3

--Exercise 3.3

-3.4 Practical Case

--Practical Case

Chapter 4 Classification

-4.1 What is Classification

--Video 4.1

--Courseware 4.1

-4.2 Naive Bayes

--Video 4.2

--Courseware 4.2

-4.3 Support Vector Machine

--Video 4.3

--Courseware 4.3

-4.4 Practical Case

--Practical Case

Chapter 5 Deep Learning

-5.1 Introduction to Deep Learning

--Video 5.1

--Courseware 5.1

--Exercise 5.1

-5.2 What is Neural Network

--Video 5.2

--Courseware 5.2

--Exercise 5.2

-5.3 Neural Network Basics

--Video 5.3

--Courseware 5.3

--Exercise 5.3

-5.4 Practical Case

--Practical Case

Chapter 6 Convolutional Neural Network

-6.1 What is Convolutional Neural Network

--Video 6.1

--Courseware 6.1

-6.2 Convolution Layer

--Video 6.2

--Courseware 6.2

-6.3 Pooling Layer

--Video 6.3

--Coureseware 6.3

-6.4 Classical Convolutional Neural Network

--Video 6.4

--Courseward 6.4

Chapter 7 Computer Vision

-7.1 What is Computer Vision

--Video 7.1

--Courseware 7.1

--Exercise 7.1

-7.2 Image Classification

--Video 7.2

--Courseware 7.2

--Exercise 7.2

-7.3 Introduction to TensorFlow

--Video 7.3

--Courseware 7.3

--Exercise 7.3

-7.4 Practical Case

--Practical Case

Chapter 8 Natural Language Processing

-8.1 What is Natural Language Processing

--Video 8.1

--Courseware 8.1

-8.2 Basics of NLP

--Video 8.2

--Courseware 8.2

-8.3 Recurrent Neural Network

--Video 8.3

--Courseware 8.3

-8.4 Practical Case

--Practical Case

Video 4.1笔记与讨论

也许你还感兴趣的课程:

© 柠檬大学-慕课导航 课程版权归原始院校所有,
本网站仅通过互联网进行慕课课程索引,不提供在线课程学习和视频,请同学们点击报名到课程提供网站进行学习。