机器学习之统计的简单介绍

机器学习的分类

机器学习的分类主要有学习策略、学习方法、数据形式。学习目标等。

机器是由各种金属和非金属部件组装成的装置，消耗能源，可以运转、做功。机器学习的分类有监督学习、无监督学习、半监督学习、强化学习四种。

机器学习根据应用领域和算法原理，可以分为以下几类： 监督学习：通过已知的训练数据来学习模型，再利用模型对未知数据进行预测和分类。实际应用：图像识别、语音识别、自然语言处理等。 无监督学习：在没有标签数据的情况下，通过数据本身发现隐藏的模式和结构。实际应用：聚类、降维、异常检测等。

按照学习方式不同，机器学习分为监督学习、无监督学习、强化学习、半监督学习、主动学习。监督学习 监督学习是从x，y这样的示例对中学习统计规律，然后对于新的X，给出对应的y。输入空间、特征空间、输出空间输入、输出所有可能的取值的集合分别称为输入空间、输出空间。

机器学习的分类如下：监督学习：表示机器学习的数据是带标记的，这些标记可以包括数据类别、数据属性及特征点位置等。这些标记作为预期效果，不断修正机器的预测结果，具体实现过程是：通过大量带有标记的数据来训练机器，机器将预测结果与期望结果进行比对。

什么是机器学习

1、机器学习（MachineLearning，ML）是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。

2、机器学习是一门人工智能的科学，该领域的主要研究对象是人工智能，特别是如何在经验学习中改善具体算法的性能。（2） 机器学习是对能通过经验自动改进的计算机算法的研究。（3） 机器学习是用数据或以往的经验，以此优化计算机程序的性能标准。

3、机器学习是一种通过算法和统计模型使计算机系统具备自动学习能力的领域。它是人工智能的一个重要分支，旨在让计算机系统从数据中自动学习并提升性能，而无需显式地进行编程。机器学习的核心思想是通过对大量数据的学习和分析，寻找数据中的模式、规律和趋势，并将这些知识应用于新的数据中做出预测或做出决策。

统计学在机器学习中有哪些作用?

1、统计学是机器学习的基础理论之一，可以提供建立统计模型和估计参数的方法。机器学习算法如决策树、支持向量机和神经网络，都借鉴了统计学中的一些概念和方法。统计学还提供了对机器学习模型进行评估和优化的工具。强化学习：强化学习是一种通过试错来学习最优行为的方法。

2、计算机是统计学的基础工具对于统计学来说，我们应该看到，计算机与数学一样，是统计学的基础工具。计算机的发展使得比较复杂的数据计算变得简便快捷，成为统计计算的重要工具。当今，个人计算机的普及，英特网的使用，使社会产生了很大的变革，使信息传递的质和量都发生了飞跃的变化。

3、人工智能涉及的知识主要包括计算机科学、数学、统计学、机器学习、深度学习、自然语言处理等。计算机科学是人工智能的核心基础。这包括计算机程序设计和软件开发技术，用于构建和执行人工智能系统。此外，人工智能系统还需要处理大量的数据，因此数据结构和算法设计也是关键。数学和统计学在人工智能中扮演着重要角色。

机器学习的方法有哪些?

机器学习中常用的方法有：（1） 归纳学习 符号归纳学习：典型的符号归纳学习有示例学习、决策树学习。函数归纳学习（发现学习）：典型的函数归纳学习有神经网络学习、示例学习、发现学习、统计学习。（2） 演绎学习 （3） 类比学习：典型的类比学习有案例（范例）学习。

机器学习的方法主要有以下几种：监督学习： 监督学习是机器学习中最常见的方法之一，在监督学习中，系统会被给定一组已知输入和输出的样本数据，系统需要学习到一种函数，使得该函数能够根据给定的输入预测出正确的输出。无监督学习： 无监督学习是机器学习中另一种常见的方法。

神经网络学习（或连接学习）：模拟人脑的微观生理级学习过程，以脑和神经科学原理为基础，以人工神经网络为函数结构模型，以数值数据为输人，以数值运算为方法，用迭代过程在系数向量空间中搜索，学习的目标为函数。典型的连接学习有权值修正学习、拓扑结构学习。

机器学习和统计里面的auc怎么理解

1、AUC（Area Under Curve）是在机器学习领域中常用的评价指标之一。AUC通常用于衡量分类器的性能，特别是二分类模型的性能。简单来说，AUC是ROC曲线下的面积，ROC曲线则是将真正例率（True Positive Rate）绘制在y轴上，假正例率（False Positive Rate）绘制在x轴上所得到的曲线。

2、AUC（Area under curve）是机器学习常用的二分类评测手段。 AUC：一个正例，一个负例，预测为正的概率值比预测为负的概率值还要大的可能性。

3、AUC（AreaUndertheCurve）在机器学习中通常指的是ROC曲线下的面积。ROC曲线是一种评估分类模型性能的工具，横轴是假正类率（FalsePositiveRate，FPR），纵轴是真正类率（TruePositiveRate，TPR）。AUC的值越接近1，表示分类模型的性能越好。因此，AUC可以用来评估模型在各种不同的分类阈值下的性能。

4、深入探索AUC-ROC曲线：理解性能评估的黄金标准 在机器学习的世界里，评估模型的性能是关键步骤。对于分类问题，AUC-ROC曲线就像一座桥梁，连接理论与实践，尤其是在多类分类任务中，它是衡量模型性能的重量级指标。简写为AUROC，它为我们揭示了模型在识别真假类别之间的细微差别。

5、尽管AUC面积是衡量机器学习模型预测能力的重要指标，但它并不是万能的。例如在不平衡数据集的情况下，单靠AUC面积可能不能完全反映出模型的性能表现。此外，在实际应用中，我们还需要考虑模型的可解释性、计算效率等问题。

6、在探索机器学习世界的无数指标中，AUC犹如一座灯塔，指引我们理解模型性能的稳健程度。它不仅涵盖了诸如均方误差（MSE）、平均绝对误差（MAE）这些精准度的度量，更是将R和可释方差（Explained Variance Score）的解释能力纳入考量。

统计和机器学习的区别?

统计建模或者机器建模的目的都是从数据中挖掘到感兴趣的信息，但是统计学和机器学习的出发点不同，统计学家关注模型的可解释性，而机器学习专家关注模型的预测能力。在一些传统领域，工程实验，生物试验，社会调查，物理实验，统计学应用比较早成熟。

机器学习和统计模型的诞生年代是不同的，统计模型的历史已经有几个世纪之久。但是机器学习却是最近才发展起来的。二十世纪90年代，稳定的数字化和廉价的计算使得数据科学家停止建立完整的模型而使用计算机进行模型建立。这催生了机器学习的发展。

统计学和机器学习面对的本来就是不同的科学问题。机器学习，着重于探索数据所展现的关系和结构；统计学，着重于评估小样本数据中所体现的关系和结构在总体中推广。机器学习，给定数据（包括标签在内），探索数据内部结构。指标一般是在数据集上的回归误差或分类精度（带有交叉验证的）。