当前位置：首页 > wzjs >正文

政务网站建设模块网络营销首先要进行

wzjs 2025/8/10 20:12:33

政务网站建设模块,网络营销首先要进行,宜昌网站建设,西藏建设网📖 学习内容 1️⃣ 什么是机器学习？ 📌 机器学习 vs 传统编程在传统编程中，我们手动编写规则： def is_adult(age):if age > 18:return "Adult"else:return "Child"💡 传统编程…

📖 学习内容

1️⃣ 什么是机器学习？

📌 机器学习 vs 传统编程

在传统编程中，我们手动编写规则：

def is_adult(age):if age >= 18:return "Adult"else:return "Child"

💡 传统编程 = 规则（程序员写代码）+ 数据 → 结果

而在机器学习中，程序会自动从数据中学习规律，不需要我们手动编写规则：

输入：大量的训练数据（如：大量人的年龄和他们的分类）
输出：程序自动学习一个模型，来预测新的数据

💡 机器学习 = 数据 + 结果 → 学习出规律（模型）

2️⃣ 机器学习的三种类型

1. 监督学习（Supervised Learning）

✅ 定义：机器学习模型在有标签的数据上学习模式，最终可以预测新数据的类别或数值。

✅ 主要任务：

回归（Regression） → 预测连续数值（如房价预测）
分类（Classification） → 预测离散类别（如垃圾邮件识别）

✅ 示例

变量	目标
面积	房价
80㎡	100万
120㎡	180万
150㎡	250万

📌 回归示例：模型学习面积和房价的关系，预测新房子的价格。

📌 分类示例：垃圾邮件识别：

邮件内容	是否垃圾邮件
“免费领取iPhone!”	是
“你好，张三，关于会议安排…”	否

2. 无监督学习（Unsupervised Learning）

✅ 定义：没有标签的数据，模型自动发现数据的结构。

✅ 主要任务：

聚类（Clustering） → 把相似的数据分成不同的组（如用户分群）
降维（Dimensionality Reduction） → 让数据更简单易懂（如PCA，Principal Component Analysis，主成分分析）

📌 示例：

聚类：根据用户的购买行为，把用户自动分为不同类别（高端消费、普通消费）
降维：把复杂的高维数据降到 2D 或 3D 来可视化。

3. 强化学习（Reinforcement Learning）

✅ 定义：AI 通过试错学习，不断优化策略，获得最大奖励。

✅ 主要任务：

机器人自动驾驶
AI 训练玩游戏（如 AlphaGo）
自动股票交易系统

📌 示例：

机器人学走路：如果走对一步，给奖励；走错摔倒，减少奖励。

📝 练习项目 1：分析 Kaggle 泰坦尼克号数据集

✅ 目标：

下载 Kaggle 数据集
观察数据结构
统计不同特征（如性别）的存活率
进行可视化分析

🔹 1. 下载数据集

👉 步骤：

访问 Kaggle Titanic 竞赛页面
点击 Download All 下载 train.csv
将 train.csv 放入你的 Python 项目目录

🔹 2. 加载数据并观察

import pandas as pd# 读取 Titanic 训练数据
df = pd.read_csv("train.csv")# 显示前5行
print(df.head())# 数据概览
print(df.info())
print(df.describe())

✅ 输出结果

   PassengerId  Survived  Pclass     Name   Sex   Age  SibSp  Parch     Fare
0           1         0       3   Allen  male  22.0      1      0   7.2500
1           2         1       1  Cumings female  38.0      1      0  71.2833

Survived = 1 表示存活，0 表示死亡
Pclass = 船舱等级（1 = 头等舱, 3 = 三等舱）
Sex = 性别
Age = 年龄
Fare = 票价

🔹 3. 统计男女存活率

# 统计生存率
print(df["Survived"].value_counts())# 统计男女生存情况
print(df.groupby("Sex")["Survived"].mean())

✅ 输出示例

Survived:
0    549  # 没有生还
1    342  # 生还Sex Survived
female    0.74
male      0.18

💡 结论：

女性生存率 74%
男性生存率 18%
说明女性在救援中有优先权（“Women and children first!”）

🔹 4. 绘制可视化图表

import matplotlib.pyplot as plt
import seaborn as sns# 统计男女生存率
sns.barplot(x="Sex", y="Survived", data=df)
plt.title("男女生存率对比")
plt.show()

✅ 输出结果

🔹 5. 统计不同船舱等级（Pclass）的存活率

# 统计不同船舱的生存率
print(df.groupby("Pclass")["Survived"].mean())# 画出船舱等级和存活率的柱状图
sns.barplot(x="Pclass", y="Survived", data=df)
plt.title("不同船舱等级的生存率")
plt.show()