- Google 无人驾驶汽车中的机器学习
- 通过Google的无人驾驶例子，简要介绍监督学习和非监督学习；
- 本章介绍的算法均为监督学习；
- 区分监督学习和非监督学习的小测试
- 特征（features）和标签（label）
- 特征作为输入，标签作为输出
- 通过散点图进行特征的可视化，小测试
-
特征与标签
- 无人驾驶汽车Stanly地形分类简介
- 特征散点图的练习
- 散点图的预测练习，通过未知点在散点图中的位置，直观判断所属分类（label）
- 机器学习算法的目的，是寻找一个决策面（decision surface），用于判断数据点的所属类别。
- 线性决策面，以及通过图形化直观判断线性决策面的优劣
-
决策面
线性决策面
- 朴素贝叶斯算法（Naive Bayes）
- 一种用于寻找决策面的常用算法
- sklearn使用入门，通过文档获取示例代码
- 典型代码：定义分类器 -> 拟合 -> 预测
- 评估算法准确性：accuracy_score(pred, labels_test)
-
sklearn中的朴素贝叶斯算法
-
训练数据和测试数据
-
贝叶斯规则——深入理解朴素贝叶斯算法
-
贝叶斯规则和癌症测试（一个经典例子，建议Google之）
癌症问题
-
先验、后验、全概率之间的一些推导过程
推导过程
-
贝叶斯规则和癌症测试（一个经典例子，建议Google之）
-
练习：已知两个人（lable）邮件习惯（词频），给出一段邮件，推算出该邮件出自谁人之手。
- 由此引出朴素贝叶斯的局限性：忽略了词频
-
朴素贝叶斯算法的有点和缺点：
- 优点：易于执行，效率高，特征空间很大
- 缺点：在应用于文本搜索时，可能出现毫无关系的结果
-
通过课程迷你项目联系朴素贝叶斯算法
网友评论