机器学习知识总结---1、回归和分类是可以相互转换的

机器学习知识总结---1、回归和分类是可以相互转换的

一、总结

一句话总结：

a、比如回归中算人脸的年纪，比如1-100岁，那么可以看做分类问题中有1-100个分类

b、所以，所有的分类算法都能做回归

 

1、如何算细胞的面积（或者周长）？

可以获取细胞的图像，描绘细胞的边缘，然后获取里面的像素值，就是细胞的面积，获取周长类似

 

 

2、比如对红细胞和白细胞来做分类？

1、先提取特征，选特征区别度高的，比如面积和圆形度

2、以面积为横坐标，圆形度为纵坐标画个图出来，当然面积和圆形度肯定都要先进行归一化处理

3、画一条线尽可能的区分红细胞和白细胞，机器学习最主要的任务也就是如何划线

 

 

3、特征个数和机器学习划线之间的关系？

如果特征是2个，那么就是二维表，我们画一条线区分不同分类，

如果特征是3个，就是三维表，那么我们需要画一个曲面

如果特征是10000个，那么就是一个10000维的表，我们需要一个10000-1元的方程

 

 

4、没有免费的午餐定理 实例？

a、如果我们不对特征空间做先验假设，则所有算法（包括瞎猜）的平均表现是一样的

b、例如明天太阳是否升起，如果没有那些先验假设，那么升起和不升起的概率是一样的

 

 

5、为什么一堆圆圈里面我们更容易预测为圆圈，一堆叉叉里面我们更容易预测为叉叉？

因为我们认为，特征差距小的样本，更可能是一类

 

 

6、什么是支持向量机（SVM）以及它的用途？

a、支持向量机将向量映射到一个更高维的空间里，在这个空间里建立有一个最大间隔超平面。

b、在分开数据的超平面的两边建有两个互相平行的超平面。分隔超平面使两个平行超平面的距离最大化。假定平行超平面间的距离或差距越大，分类器的总误差越小。

支持向量机将向量映射到一个更高维的空间里，在这个空间里建立有一个最大间隔超平面。在分开数据的超平面的两边建有两个互相平行的超平面。分隔超平面使两个平行超平面的距离最大化。假定平行超平面间的距离或差距越大，分类器的总误差越小。
它是一种监督式学习的方法，广泛应用于统计分类以及回归分析中。

 

7、机器学习中线性模型和非线性模型的区别？

线性模型也就是画一条直线区分两个样本 ，非线性模型就是一条曲线

 

 

8、为什么支持向量机能够用在小样本的计算上面？

因为支持向量机只和 支持向量 相关

 

 

9、所有机器学习所做的事情？

1、先限定一个模型（方程）

2、在一个模型里面，留出待定的参数

3、再用训练样本确定参数的取值

 

10、svm支持向量机 能处理非线性的原理？

A、低维线性不可分的数据集，在高维空间，将以更大的概率被线性可分

B、所以svm做的操作就是把低维映射到高维，然后接着找直线

 

 

11、异或问题是最简单的非线性问题？

因为你找不到一条直线来分开

 

 

二、内容在总结中

博客对应课程的视频位置：