企业进行网站建设的方式有哪些做企业网站 空间怎么买

企业进行网站建设的方式有哪些,做企业网站 空间怎么买,赤峰建网站的电话,seo博客学习目标#xff1a;理解机器学习的本质#xff0c;掌握监督/无监督学习的区别#xff0c;理解训练集/测试集的重要性 预计时间#xff1a;20分钟 前置知识#xff1a;Python基础#xff0c;Numpy基础#x1f4cb; 本篇内容 机器学习本质 → 学习方式分类 → 核心术语(训…学习目标理解机器学习的本质掌握监督/无监督学习的区别理解训练集/测试集的重要性预计时间20分钟前置知识Python基础Numpy基础 本篇内容机器学习本质 → 学习方式分类 → 核心术语(训练/测试/过拟合) 1. 什么是机器学习1.1 传统编程 vs 机器学习生活类比传统编程就像是照菜谱做菜。你告诉电脑每一步怎么切、怎么炒规则给它食材数据它给你做出一道菜结果。机器学习就像是教徒弟做菜。你给徒弟尝100道好吃的菜数据结果让他自己去琢磨其中的规律模型最后他学会了做菜规则。核心区别传统编程输入规则数据 输出答案机器学习输入数据答案 输出规则(这个规则就是模型)1.2 为什么要用机器学习当规则太复杂人类无法显式写出代码时。例子写一个程序识别照片里是否有猫。传统方法试图定义猫的耳朵形状、胡须长度…太难了猫的姿态千变万化ML方法给机器看10000张猫的照片让它自己找规律。 2. 机器学习的三大流派机器学习主要分为三种学习方式我们可以用学生的学习方式来类比。2.1 监督学习 (Supervised Learning) - “有老师辅导”类比老师在课堂上讲题每道题都给出了标准答案。学生通过练习这些带答案的题目来学习考试时做新题。特点数据带标签(Label)。即我们既有输入数据XXX也有正确答案yyy。两大任务回归 (Regression)预测一个连续的数值。例子根据房屋面积、地段预测房价输出是具体的金额。分类 (Classification)预测一个离散的类别。例子判断邮件是垃圾邮件还是正常邮件输出是类别标签。2.2 无监督学习 (Unsupervised Learning) - “自习/探索”类比老师给了一堆古文但没给翻译和注释让学生自己去发现其中的规律比如哪些字经常一起出现文章的风格分类。特点数据不带标签。只有输入XXX没有答案yyy。机器需要自己从数据中找结构。常见任务聚类 (Clustering)把相似的东西分到一组。例子电商平台根据用户的购买记录自动把用户分成价格敏感型、品质追求型等群体。降维 (Dimensionality Reduction)把复杂的数据变简单保留主要特征。2.3 强化学习 (Reinforcement Learning) - “训练宠物”类比训练狗狗。做对了给骨头奖励做错了打屁股惩罚。狗狗通过不断尝试学会了怎么做能得到最多的骨头。特点通过与环境交互根据奖励/惩罚来优化策略。例子AlphaGo下围棋、自动驾驶。 3. 核心术语与实战概念3.1 训练集、验证集与测试集生活类比训练集 (Training Set)课本例题。平时上课用来学习知识的。验证集 (Validation Set)模拟考试。学完一章后用来调整学习方法看看自己掌握得怎么样的。测试集 (Test Set)高考。最后一次真正的考核考完才知道最终水平且不能再改了。黄金法则千万不能让模型在训练的时候看到测试集的数据否则就是作弊平时满分高考挂科。3.2 代码实战如何切分数据集在Scikit-learn中我们通常使用train_test_split。importnumpyasnpfromsklearn.model_selectionimporttrain_test_split# 1. 模拟生成 100 条数据# X 是特征 (比如学习时长, 刷题量)# y 是标签 (比如考试分数)Xnp.random.rand(100,2)ynp.random.rand(100)# 2. 切分数据集# test_size0.2 表示 20% 的数据用来考试(测试集)80% 用来学习(训练集)# random_state42 是为了保证每次切分的结果一样 (42是程序员的宇宙终极答案)X_train,X_test,y_train,y_testtrain_test_split(X,y,test_size0.2,random_state42)print(f原始数据量:{len(X)})print(f训练集数据量:{len(X_train)}(用于学习))print(f测试集数据量:{len(X_test)}(用于评估))3.3 过拟合 vs 欠拟合这是机器学习中最头疼的两个问题。生活类比欠拟合 (Underfitting)学渣。书没看懂例题做不对考试也挂科。模型太简单抓不住数据的规律。过拟合 (Overfitting)书呆子/死记硬背。把课本上的例题连标点符号都背下来了在训练集上表现完美但是稍微变一下题目就不会了在测试集上表现很差。泛化能力弱。刚刚好 (Good Fit)学霸。理解了原理举一反三。图解欠拟合 刚刚好 过拟合 (直线拟合曲线) (曲线拟合曲线) (乱七八糟的折线) 太简单 完美 太复杂3.4 偏差-方差权衡 (Bias-Variance Tradeoff)偏差 (Bias)模型预测值与真实值的差异。偏差高 欠拟合瞄都不准方差 (Variance)模型在不同训练集上表现的波动。方差高 过拟合发挥极其不稳定我们追求的是低偏差 低方差。但这很难通常需要权衡。 总结核心概念✅监督学习有标签预测数值(回归)或类别(分类)。✅无监督学习无标签发现数据结构(聚类)。✅数据集划分训练集(学习)、测试集(考试)严禁作弊。✅过拟合死记硬背泛化能力差。