1. 机器学习的基本概念：
三种主要的学习方式：
监督学习：使用有类标的训练数据构建模型，即在训练过程中，所有的数据都是知道它的类别的。通过构建的这个模型对未来的数据进行预测。在监督学习的下面，又可以分为分类（利用分类对类标进行预测），以及回归（使用回归预测连续输出值）。
无监督学习：在没有已知输出变量（分类问题中是数据的类标）和反馈函数指导的情况下提取有效信息来探索数据的整体结构。子领域：1.通过聚类发现数据的子群；2,数据压缩中的降维。
强化学习：构建一个系统，在与环境交互的过程中提高系统的性能。我们可以将强化学习视为与监督学习相关的一个领域。但是强化学习与监督学习不同的是，在强化学习中，并没有一个确定的类标或一个连续类型的值，而是一个通过反馈函数产生的一个反馈值。该反馈值是对当前的系统行为的一个评价。强化学习解决的主要是交互式问题。象棋对弈就是一个常用的强化学习的例子。
机器学习的工作流程（使用预测模型进行数据分析）：
如图，机器学习的学习分为两个部分，第一部分是训练阶段，通过数据带入模型中，训练生成最终模型，第二部分是测试阶段，通过新的数据经验模型的泛化能力。
2.感知器
2.1 感知器原理
感知器由费兰克·罗森布拉特（Frank Rossenblatt）基于MPC神经元模型提出。感知器可以看作一个处理二分类问题的算法。
感知器的训练过程如下图：
第一步：得到净输入函数z;z为矩阵X与权值矩阵W的乘积，再加上一个权值偏差得到z：
第二步：通过激励函数得到输出的类标：
第三步，在训练阶段，通过激励函数获得到模型输出的类标y，在将类标与实际类标进行计算得到误差，进行权值更新。进行权值更新是以下的方法更新
其中
η为学习速率，y(i)为第i个样本数据的真实类标，y(i)’为第i个样本预测得出的目标，xj（i）为第i个样本中第j个值。
2.2 实现算法
定义一个perception 类，
实现算法：
① 初始化权值，
② 计算输出值，
③ 训练模型：计算误差，进行权值更新。
public class perception {
public float[] weigth;//权值
public float[][] x;//输入值
public int[] y;//样本的真实类标
public float rate;//学习数率,决定每一次循环训练中所产生的权值变化；
public float[] output;//输出的类标
public float b=0;//阈值，也称为偏差
/**
* 实例化感知器
* @param x 输入的数据
* @param d 学习速率
*/
public perception(float[][] x, float d,int[] y) {
super();
this.x = x;//输入数据
this.rate = d;//学习数率
this.y=y;//样本的真实类标
weigth=new float[x[0].length];//初始化权值数组
randomWeigth(x[0].length);//随机给权值赋值
}
/**
* 给权值进行赋值，初始值为0
* @param n 权值数组的大小
*/
public void randomWeigth(int n){
// Random random = new Random();
for(int i=0;i<n;i++){
weigth[i]=0;
}
}
/**
* 训练感知器：计算出误差，然后进行权值更新
*/
public void train(){
output=new float[x.length];
//获取输出值
for(int i=0;i<x.length;i++){
output[i]=getoutput(x[i]);
}
//更新
for(int i=0;i<output.length;i++){
float update=rate*(y[i]-output[i]);
//更新权重
for(int j=0;j<weigth.length;j++){
weigth[j]=weigth[j]+update*x[i][j];
}
//更新偏差
b=b+update;
}
}
//计算输出值
public int getoutput(float[] x){
int output;//输出值
//计算净输入
float z = 0;
for(int i=0;i<x.length;i++){
z+=x[i]*weigth[i];
}
//激励函数
if(z > =b)
output=1;
else
output=-1;
return output;
}
}
本文转自：博客园 - 元墨，转载此文目的在于传递更多信息，版权归原作者所有。
原文链接：https://www.cnblogs.com/hesi/p/7149678.html
