概念：数据有输入变量x和输出变量y，找到输入变量和输出变量的关系 Y=F(X)

不一定是函数，只代表输入到输出的一种关系

机器学习分类：监督学习、无监督学习、强化学习

监督学习分类：分类问题和回归问题

分类：输出变量为有限个离散值（判断好坏/判断种类）

回归：输出变量为连续性变量（预测房价/预测产量）

MATLAB中（分类学习器和回归学习器）

无监督学习：数据全部作为输入变量，没有输出变量，希望得到数据中蕴含的某种规律

分类：聚类和降维

回归问题的衡量指标

分类问题的衡量指标

混淆矩阵

 

 

 查全率和查准率是负相关的关系

 ROC曲线，靠近左上角的效果更好

若两条ROC曲线发生了交叉，很难证明谁优谁劣，因此引入AUC

AUC：ROC曲线与下方坐标轴围成的面积，【0,1】

AUC越大，模型分类效果越好；AUC<0.5，模型不可用；AUC>0.85表现较好

 

# 机器学习 # 人工智能
Logo
DAMO开发者矩阵

DAMO开发者矩阵，由阿里巴巴达摩院和中国互联网协会联合发起，致力于探讨最前沿的技术趋势与应用成果，搭建高质量的交流与分享平台，推动技术创新与产业应用链接，围绕“人工智能与新型计算”构建开放共享的开发者生态。

更多推荐

AI Agent的核心技术是什么？

AI Agent（人工智能代理）是指能够感知环境、自主决策并执行行动以实现特定目标的智能系统。它不仅仅是简单的问答机器人，而是具备规划、推理、工具使用和持续学习能力的“数字员工”。从自动驾驶汽车到虚拟助手，再到自动化编程助手，AI Agent正在重塑我们与技术交互的方式。那么，支撑这些强大能力的核心技术究竟是什么？本文将深入剖析AI Agent的四大核心技术支柱。

avatar DAMO开发者矩阵

【姿态估计】基于扩展卡尔曼滤波器（EKF）和无迹卡尔曼滤波器（UKF）对一个动态系统进行状态估计附matlab代码

在现代科技的众多领域中，动态系统无处不在。无论是机器人在复杂环境中的自主导航，飞行器在空中的精确控制，还是工业生产过程的实时监测与优化，准确估计动态系统的状态都是至关重要的。系统状态如同航行中的船只坐标，为系统的有效运行和决策制定提供关键指引。然而，由于实际系统的复杂性，往往呈现出非线性特性，且观测数据不可避免地受到噪声干扰，这使得状态估计成为一项极具挑战的任务。扩展卡尔曼滤波器（EKF）和无迹卡

avatar DAMO开发者矩阵

【姿态估计】基于扩展卡尔曼滤波器（EKF）和无迹卡尔曼滤波器（UKF）对一个动态系统进行状态估计附matlab代码

在现代科技的众多领域中，动态系统无处不在。无论是机器人在复杂环境中的自主导航，飞行器在空中的精确控制，还是工业生产过程的实时监测与优化，准确估计动态系统的状态都是至关重要的。系统状态如同航行中的船只坐标，为系统的有效运行和决策制定提供关键指引。然而，由于实际系统的复杂性，往往呈现出非线性特性，且观测数据不可避免地受到噪声干扰，这使得状态估计成为一项极具挑战的任务。扩展卡尔曼滤波器（EKF）和无迹卡

avatar DAMO开发者矩阵