農(nóng)業(yè)物聯(lián)網(wǎng)技術(shù)應(yīng)用-機(jī)器學(xué)習(xí)

知識(shí)點(diǎn)：機(jī)器學(xué)習(xí)21234機(jī)器學(xué)習(xí)的定義機(jī)器學(xué)習(xí)的任務(wù)機(jī)器學(xué)習(xí)的分類(lèi)經(jīng)典的機(jī)器學(xué)習(xí)算法目錄回歸分類(lèi)回歸是對(duì)新目標(biāo)特征進(jìn)行預(yù)測(cè)，一般用于連續(xù)型數(shù)據(jù)分類(lèi)是將新數(shù)據(jù)劃分到合適的類(lèi)別中，一般用于類(lèi)別型的目標(biāo)特征機(jī)器學(xué)習(xí)的主要任務(wù)監(jiān)督學(xué)習(xí)無(wú)監(jiān)督學(xué)習(xí)強(qiáng)化學(xué)習(xí)機(jī)器學(xué)習(xí)分類(lèi)1、監(jiān)督學(xué)習(xí)監(jiān)督學(xué)習(xí)就是用已知某種或某些特性的樣本作為訓(xùn)練集，以建立一個(gè)數(shù)學(xué)模型，再用已建立的模型來(lái)預(yù)測(cè)未知樣本，此種方法被稱為有監(jiān)督學(xué)習(xí)。以下是監(jiān)督學(xué)習(xí)的五個(gè)步驟：機(jī)器學(xué)習(xí)分類(lèi)數(shù)據(jù)采集特征提取圖片轉(zhuǎn)換開(kāi)始學(xué)習(xí)測(cè)試2、無(wú)監(jiān)督學(xué)習(xí)數(shù)據(jù)是無(wú)標(biāo)簽的，只通過(guò)特征信息去歸納出一些新的規(guī)律出來(lái)，這個(gè)方法稱之為無(wú)監(jiān)督學(xué)習(xí)。由于大多數(shù)真實(shí)世界的數(shù)據(jù)都沒(méi)有標(biāo)簽，因此無(wú)監(jiān)督學(xué)習(xí)不用特征提取，導(dǎo)致學(xué)習(xí)方式與有監(jiān)督學(xué)習(xí)不一樣。無(wú)監(jiān)督學(xué)習(xí)分為聚類(lèi)和降維。聚類(lèi)用于根據(jù)屬性和行為對(duì)象進(jìn)行分組。這與分類(lèi)不同，因?yàn)檫@些組不是你提供的。聚類(lèi)的一個(gè)例子是將一個(gè)組劃分成不同的子組（如基于年齡和婚姻狀況），然后應(yīng)用到有針對(duì)性的營(yíng)銷(xiāo)方案中。降維通過(guò)找到共同點(diǎn)來(lái)減少數(shù)據(jù)集的變量。機(jī)器學(xué)習(xí)分類(lèi)3、強(qiáng)化學(xué)習(xí)又稱再勵(lì)學(xué)習(xí)、評(píng)價(jià)學(xué)習(xí)或增強(qiáng)學(xué)習(xí)，強(qiáng)化學(xué)習(xí)使用機(jī)器的個(gè)人歷史和經(jīng)驗(yàn)來(lái)做出決定。不同于監(jiān)督學(xué)習(xí)和非監(jiān)督學(xué)習(xí)，強(qiáng)化學(xué)習(xí)不要求預(yù)先給定任何數(shù)據(jù)，而是通過(guò)接收環(huán)境對(duì)動(dòng)作的獎(jiǎng)勵(lì)（反饋）獲得學(xué)習(xí)信息并更新模型參數(shù)，這反映了人類(lèi)是如何根據(jù)積極和消極的結(jié)果學(xué)習(xí)的。強(qiáng)化學(xué)習(xí)是智能體（Agent）以“試錯(cuò)”的方式進(jìn)行學(xué)習(xí)，通過(guò)與環(huán)境進(jìn)行交互獲得的獎(jiǎng)賞指導(dǎo)行為，目標(biāo)是使智能體獲得最大的獎(jiǎng)賞，強(qiáng)化學(xué)習(xí)的經(jīng)典應(yīng)用是玩游戲。機(jī)器學(xué)習(xí)分類(lèi)貝葉斯算法決策樹(shù)算法Apriori關(guān)聯(lián)規(guī)則算法

K-均值聚類(lèi)算法算法分類(lèi)經(jīng)典的機(jī)器學(xué)習(xí)算法決策樹(shù)算法決策樹(shù)是一種用于對(duì)實(shí)例進(jìn)行分類(lèi)的樹(shù)形結(jié)構(gòu)。一種依托于策略抉擇而建立起來(lái)的樹(shù)。決策樹(shù)由節(jié)點(diǎn)（Node）和有向邊（DirectedEdge）組成。節(jié)點(diǎn)的類(lèi)型有兩種：內(nèi)部節(jié)點(diǎn)和葉子節(jié)點(diǎn)。其中，內(nèi)部節(jié)點(diǎn)表示一個(gè)特征或?qū)傩缘臏y(cè)試條件（用于分開(kāi)具有不同特性的記錄），葉子節(jié)點(diǎn)表示一個(gè)分類(lèi)。一旦構(gòu)造了一個(gè)決策樹(shù)模型，以它為基礎(chǔ)來(lái)進(jìn)行分類(lèi)將是非常容易的。具體做法是，從根節(jié)點(diǎn)開(kāi)始，由實(shí)例的某一特征進(jìn)行測(cè)試，根據(jù)測(cè)試結(jié)構(gòu)將實(shí)例分配到其子節(jié)點(diǎn)（也就是選擇適當(dāng)?shù)姆种В?；沿著該分支可能達(dá)到葉子節(jié)點(diǎn)或者到達(dá)另一個(gè)內(nèi)部節(jié)點(diǎn)時(shí)，那么就使用新的測(cè)試條件遞歸執(zhí)行下去，直到抵達(dá)一個(gè)葉子節(jié)點(diǎn)。當(dāng)?shù)竭_(dá)葉子節(jié)點(diǎn)時(shí)，便得到了最終的分類(lèi)結(jié)果。經(jīng)典的機(jī)器學(xué)習(xí)算法K均值聚類(lèi)算法（K-meansClusteringAlgorithm）是一種迭代求解的聚類(lèi)分析算法，其步驟是隨機(jī)選取K個(gè)對(duì)象作為初始的聚類(lèi)中心，然后計(jì)算每個(gè)對(duì)象與各個(gè)種子聚類(lèi)中心之間的距離，把每個(gè)對(duì)象分配給距離它最近的聚類(lèi)中心。聚類(lèi)中心以及分配給它們的對(duì)象就代表一個(gè)聚類(lèi)。每分配一個(gè)樣本，聚類(lèi)的聚類(lèi)中心會(huì)根據(jù)聚類(lèi)中現(xiàn)有的對(duì)象被重新計(jì)算。這個(gè)過(guò)程將不斷重復(fù)直到滿足某個(gè)終止條件。終止條件可以是沒(méi)有（或最小數(shù)目）對(duì)象被重新分配給不同的聚類(lèi)，或者是沒(méi)有（或最小數(shù)目）聚類(lèi)中心再發(fā)生變化，誤差平方和局部最小。圖中顯示的是人為給的兩個(gè)組，機(jī)器會(huì)按照上面介紹的步驟將坐標(biāo)上的點(diǎn)分成兩個(gè)組。

K-均值聚類(lèi)算法經(jīng)典的機(jī)器學(xué)習(xí)算法Apriori算法是一種挖掘關(guān)聯(lián)規(guī)則的頻繁項(xiàng)集算法，其核心是基于頻繁項(xiàng)集的遞推算法。Apriori算法通過(guò)對(duì)數(shù)據(jù)的關(guān)聯(lián)性進(jìn)行了分析和挖掘，得到的這些信息在決策制定過(guò)程中具有重要的參考價(jià)值，因此Apriori算法被廣泛應(yīng)用于商業(yè)和網(wǎng)絡(luò)安全等多個(gè)領(lǐng)域。而且算法已經(jīng)被廣泛的應(yīng)用到商業(yè)、網(wǎng)絡(luò)安全等各個(gè)領(lǐng)域。經(jīng)典的機(jī)器學(xué)習(xí)算法貝葉斯算法是一種研究不確定性的推理方法，不確定性常用貝葉斯概率表示，它是一種主觀概率，是人的認(rèn)識(shí)，是個(gè)人主觀的估計(jì)，隨個(gè)人的主觀認(rèn)識(shí)的變化而變化。對(duì)它