人工智能與機器學(xué)習(xí)的內(nèi)涵及聯(lián)系？人工智能和機器學(xué)習(xí)之間的關(guān)系是什么？-機器學(xué)習(xí)是利用實現(xiàn)程序人工智能的一種技術(shù)手段-算法模型-概念：普通的對象。特殊之處就取決于人該對象內(nèi)部也板載顯卡或是封裝方法好一個

人工智能與機器學(xué)習(xí)的內(nèi)涵及聯(lián)系？

人工智能和機器學(xué)習(xí)之間的關(guān)系是什么？

-機器學(xué)習(xí)是利用實現(xiàn)程序人工智能的一種技術(shù)手段

-算法模型

-概念：普通的對象。特殊之處就取決于人該對象內(nèi)部也板載顯卡或是封裝方法好一個某種方程（還是沒有求出解的方程）

-作用：算法模型對象終于求出的解那就是該算法模型基于分析和預(yù)測的或分類的結(jié)果

-預(yù)測

-分類

-樣本數(shù)據(jù)：numpy，DataFrame

-樣本數(shù)據(jù)和算法模型之間的關(guān)聯(lián)：樣本數(shù)據(jù)是必須解出到算法模型對象中對其采取內(nèi)部整體封裝的方程接受求解的操作。該過程被稱做模型的訓(xùn)練。

-組成部分：

-特征數(shù)據(jù)：自變量（樓層，采光率，面積）

-目標(biāo)數(shù)據(jù)：因變量（售價）

-模型的分類：

-有監(jiān)督去學(xué)習(xí)：假如模型必須的樣本數(shù)據(jù)中必須包涵特征和目標(biāo)數(shù)據(jù)，則該模型歸為有監(jiān)督學(xué)習(xí)的分類

-無監(jiān)督學(xué)習(xí)：要是模型要的樣本數(shù)據(jù)只要有特征數(shù)據(jù)再試一下。

-sklearn模塊：至少封裝方法了10多種算法模型對象。

-線性回歸模型算法模型-》分析和預(yù)測

-KNN算法模型-》分類

分類和分析和預(yù)測的區(qū)別

-分類

分類：輸入輸入樣本數(shù)據(jù)，輸出來隨機的類別，將樣本中每個數(shù)據(jù)對應(yīng)三個試求屬性。(有監(jiān)督學(xué)習(xí))

分類算法分成三類兩步：

(1)學(xué)習(xí)步：是從訓(xùn)練樣本數(shù)據(jù)集，確立分類劃分規(guī)則

(2)歸類步：用試求的測試樣本集評估分類規(guī)則的準(zhǔn)確率，若準(zhǔn)確率可接受，則是建議使用該規(guī)則對除樣本以外的數(shù)據(jù)(待測樣本集)并且分析和預(yù)測。

-分析預(yù)測

預(yù)測：兩種或是兩種以上的變量之間相互依賴的函數(shù)模型，進(jìn)行預(yù)估或則操縱。

預(yù)測國家算法分兩步：

(1)是從訓(xùn)練集組建樣本模型

(2)檢驗后參與預(yù)測或是壓制

-正確的分類與預(yù)測算法

1.回歸分析：線形進(jìn)入虛空、非線性重臨、Logistic回歸、嶺輪回、主成分重臨、最小二乘回歸等。

2.決策樹：分類算法

(人工神經(jīng)網(wǎng)絡(luò))：

4.貝葉斯網(wǎng)絡(luò)

5、支持向量機(svm):將低維非線性轉(zhuǎn)換的為高維線形進(jìn)行計算。

關(guān)于sklearn中的決策樹是否應(yīng)該用one-hot編碼？

sklearn中的決策樹是CART，咱們都知道它是實現(xiàn)基尼指數(shù)的二叉樹。這樣的話相對于一個屬性，并不會中,選擇一個值對該屬性劃分成兩部分。要是有一個離散化方法特征的取值有1000個，諸如商品的品牌，這樣如果沒有直接按順序從0到999編號，有無會出問題？要知道CART會從0-999選不一個編號接受劃分，但是這些編號的順序卻沒意義，這個劃分問題看樣子也不現(xiàn)代科學(xué)。此時有無應(yīng)該用獨熱編碼？

不要，樹模型不計算距離。