<ruby id="bdb3f"></ruby>

    <p id="bdb3f"><cite id="bdb3f"></cite></p>

      <p id="bdb3f"><cite id="bdb3f"><th id="bdb3f"></th></cite></p><p id="bdb3f"></p>
        <p id="bdb3f"><cite id="bdb3f"></cite></p>

          <pre id="bdb3f"></pre>
          <pre id="bdb3f"><del id="bdb3f"><thead id="bdb3f"></thead></del></pre>

          <ruby id="bdb3f"><mark id="bdb3f"></mark></ruby><ruby id="bdb3f"></ruby>
          <pre id="bdb3f"><pre id="bdb3f"><mark id="bdb3f"></mark></pre></pre><output id="bdb3f"></output><p id="bdb3f"></p><p id="bdb3f"></p>

          <pre id="bdb3f"><del id="bdb3f"><progress id="bdb3f"></progress></del></pre>

                <ruby id="bdb3f"></ruby>

                合規國際互聯網加速 OSASE為企業客戶提供高速穩定SD-WAN國際加速解決方案。 廣告
                # 機器學習算法如何工作(他們學習輸入到輸出的映射) > 原文: [https://machinelearningmastery.com/how-machine-learning-algorithms-work/](https://machinelearningmastery.com/how-machine-learning-algorithms-work/) 機器學習算法如何工作? 有一個共同的原則是所有監督機器學習算法的基礎,用于預測建模。 在這篇文章中,您將通過理解作為所有算法基礎的共同原則來發現機器學習算法如何實際工作。 ![How Machine Learning Algorithms Work](img/0fc451f9ec128c544f0f6a0e52ee6884.jpg) 機器學習算法如何工作 照片來自 [GotCredit](https://www.flickr.com/photos/jakerust/16846023595/) ,保留一些權利。 讓我們開始吧。 ## 學習功能 機器學習算法被描述為學習目標函數(f),其最佳地將輸入變量(X)映射到輸出變量(Y)。 Y = f(X) 這是一個通用的學習任務,我們希望在未來(Y)中給出預測輸入變量(X)的新例子。 我們不知道函數(f)的外觀或形式。如果我們這樣做,我們將直接使用它,我們不需要使用機器學習算法從數據中學習它。 這比你想象的要難。還存在與輸入數據(X)無關的錯誤(e)。 Y = f(X)+ e 此錯誤可能是錯誤,例如沒有足夠的屬性來充分表征從X到Y的最佳映射。此錯誤稱為不可減少的錯誤,因為無論我們在估計目標函數(f)方面有多好,我們都無法減少此錯誤。 這就是說,從數據中學習函數的問題是一個難題,這就是機器學習和機器學習算法領域存在的原因。 ## 獲取免費算法思維導圖 ![Machine Learning Algorithms Mind Map](img/2ce1275c2a1cac30a9f4eea6edd42d61.jpg) 方便的機器學習算法思維導圖的樣本。 我已經創建了一個由類型組織的60多種算法的方便思維導圖。 下載,打印并使用它。 ## 學習一種功能來做出預測 最常見的機器學習類型是學習映射Y = f(X)來預測新X的Y. 這稱為預測建模或預測分析,我們的目標是使最準確的預測成為可能。 因此,我們并不真正感興趣的是我們正在學習的函數(f)的形狀和形式,只是它能夠做出準確的預測。 我們可以學習Y = f(X)的映射,以更多地了解數據中的關系,這稱為統計推斷。如果這是目標,我們將使用更簡單的方法和價值理解上面(f)的學習模型和形式進行準確的預測。 當我們學習函數(f)時,我們從我們可用的數據中估計它的形式。因此,此估計將有錯誤。它不是對給定X的Y的基本假設最佳映射的完美估計。 在應用機器學習中花費大量時間來嘗試改進基礎功能的估計并且在術語上改進模型所做出的預測的表現。 ## 學習函數的技巧 機器學習算法是用于估計目標函數(f)以在給定輸入變量(X)的情況下預測輸出變量(Y)的技術。 不同的表示對所學習的函數的形式做出不同的假設,例如它是線性的還是非線性的。 不同的機器學習算法對函數的形狀和結構做出不同的假設,以及如何最好地優化表示以近似它。 這就是為什么在機器學習問題上嘗試一套不同的算法非常重要的原因,因為我們無法事先知道哪種方法最適合估計我們試圖近似的基礎函數的結構。 ## 摘要 在這篇文章中,您發現了解釋所有機器學習算法用于預測建模的目標的基本原理。 您了解到機器學習算法可以在給定輸入變量(X)或Y = f(X)的情況下估算輸出變量(Y)的映射函數(f)。 您還了解到,不同的機器學習算法對基礎函數的形式做出了不同的假設。當我們對目標函數的形式知之甚少時,我們必須嘗試一套不同的算法來看看哪種方法效果最好。 您對機器學習算法或此帖子有何疑問?發表評論并提出您的問題,我會盡力回答。
                  <ruby id="bdb3f"></ruby>

                  <p id="bdb3f"><cite id="bdb3f"></cite></p>

                    <p id="bdb3f"><cite id="bdb3f"><th id="bdb3f"></th></cite></p><p id="bdb3f"></p>
                      <p id="bdb3f"><cite id="bdb3f"></cite></p>

                        <pre id="bdb3f"></pre>
                        <pre id="bdb3f"><del id="bdb3f"><thead id="bdb3f"></thead></del></pre>

                        <ruby id="bdb3f"><mark id="bdb3f"></mark></ruby><ruby id="bdb3f"></ruby>
                        <pre id="bdb3f"><pre id="bdb3f"><mark id="bdb3f"></mark></pre></pre><output id="bdb3f"></output><p id="bdb3f"></p><p id="bdb3f"></p>

                        <pre id="bdb3f"><del id="bdb3f"><progress id="bdb3f"></progress></del></pre>

                              <ruby id="bdb3f"></ruby>

                              哎呀哎呀视频在线观看