当前位置:首页 > 百科

人工智能十大算法(小白也能看懂:人工智能的十大经典算法介绍)

时间:2024-07-16 11:10:44阅读:

人工智能十大算法(小白也能看懂:人工智能的十大经典算法介绍)

预计阅读时间:7分钟弱人工智能近几年取得了重大突破,悄然间,已经成为每个人生活中必不可少的一部分。以我们的智能手机为例,看看到底温藏着多少人工智能的神奇魔术。

决策树根据一些feature进行分类,每个节点提一个问题,通过判断,将数据分为两类,再继续提问。这些问题是根据已有数据学习出来的,再投入新数据的时候,就可以根据这棵树上的问题,将数据划分到合适的叶子上。

随机森林在源数据中随机选取数据,组成几个子集:S矩阵是源数据,有1-N条数据,A、B、C是feature,最后一列C是类别:由S随机生成M个子矩阵:这M个子集得到M个决策树:将新数据投入到这M个树中,得到M个分类结果,计数看预测成哪一类的数目最多,就将此类别作为最后的预测结果。

逻辑回归当预测目标是概率这样的,值域需要满足大于等于0,小于等于1的,这个时候单纯的线性模型是做不到的,因为在定义域不在某个范围之内时,值域也超出了规定区间。

所以此时需要这样的形状的模型会比较好:那么怎么得到这样的模型呢?

这个模型需要满足两个条件“大于等于0”,“小于等于1”大于等于0的模型可以选择绝对值,平方值,这里用指数函数,一定大于0;小于等于1用除法,分子是自己,分母是自身加上1,那一定是小于1的了。

再做一下变形,就得到了logisticregressions模型:通过源数据计算可以得到相应的系数了:支持向量机将这个超平面表示成一个线性方程,在线上方的一类,都大于等于1,另一类小于等于-1:点到面的距离根据图中的公式计算:所以得到totalmargin的表达式如下,目标是最大化这个margin,就需要最小化分母,于是变成了一个优化问题:举个例子,三个点,找到最优的超平面,定义了weightvector=-:得到weightvector为,将两个点代入方程,代入另其值=1,代入另其值=-1,求解出a和截矩w0的值,进而得到超平面的表达式。

a求出来后,代入得到的就是supportvector,a和w0代入超平面的方程就是supportvectormachine。

朴素贝叶斯为了解决这个问题,可以只看其中的一些单词:原始问题是:给你一句话,它属于哪一类?通过bayesrules变成一个比较简单容易求得的问题:问题变成,这一类中这句话出现的概率是多少,当然,别忘了公式里的另外两个概率。例子:单词“love”在positive的情况下出现的概率是0.1,在negative的情况下出现的概率是0.001。

K近邻算法给一个新的数据时,离它最近的k个点中,哪个类别多,这个数据就属于哪一类。

例子:要区分“猫”和“狗”,通过“claws”和“sound”两个feature来判断的话,圆形和三角形是已知分类的了,那么这个“star”代表的是哪一类呢?

k=3时,这三条线链接的点就是最近的三个点,那么圆形多一些,所以这个star就是属于猫。

K均值算法先要将一组数据,分为三类,粉色数值大,黄色数值小。最开始先初始化,这里面选了最简单的3,2,1作为各类的初始值。剩下的数据里,每个都与三个初始值计算距离,然后归类到离它最近的初始值所在类别。

分好类后,计算每一类的平均值,作为新一轮的中心点:几轮之后,分组不再变化了,就可以停止了:AdaboostAdaboost是Boosting的方法之一。Boosting就是把若干个分类效果并不好的分类器综合起来考虑,会得到一个效果比较好的分类器。

Adaboost的例子,手写识别中,在画板上可以抓取到很多features,例如始点的方向,始点和终点的距离等等。

training的时候,会得到每个feature的weight,例如2和3的开头部分很像,这个feature对分类起到的作用很小,它的权重也就会较小。

而这个alpha角就具有很强的识别性,这个feature的权重就会较大,最后的预测结果是综合考虑这些feature的结果。

神经网络马尔科夫不是马尔代夫哈,MarkovChains由state和transitions组成。例子,根据这一句话‘thequickbrownfoxjumpsoverthelazydog’,要得到markovchains。

步骤:先给每一个单词设定成一个状态,然后计算状态间转换的概率。

『未完待续』

热点知识推荐