机器学习有什么本质的简单介绍

鲁棒性的本质是什么?

鲁棒性是指在面对各种变化和异常情况下，系统或者算法能够保持良好的性能和效果。它是一个非常重要的概念，无论是在工程领域还是在机器学习等人工智能领域都有着重要的应用。鲁棒性的本质就是对于不确定性和随机性的适应能力。

鲁棒性一般用来描述一个东西的稳定性，也就是说这个东西的性质在遇到某种干扰时能够相对稳定。比如统计学中的均值和中位数，均值很容易受极值的影响。如果数据中存在较大或较小的值，则平均值会过大或过小。中位数稳定得多，即使数据中有大值或小值，中位数也不会有太大变化。

鲁棒性：也称为是强壮性、或者稳健性。当他的地位变了，升迁了，发达了，抑或变得与以前大不一样的时候，他依然还是稳定的：依然很喜欢你，且对周边年轻漂亮的女孩子把持的住。我们说他对你的感情就是鲁棒的（Robust）。

大数据分析与机器学习之间的区别与联系?

机器学习是大数据分析的组成部分。大数据分析作为一个整体，包括大数据，数据学习，统计信息等等。机器学习涉及使用编程和计算算法来得出结论，而大数据分析则使用数字和统计来得出结果。对于更多以数据为驱动力的公司，转向大数据分析是提高业务水平和争取更好的投资回报的秘诀。

机器学习是基于对海量信息处理的需求产生的一门涉及多个学科领域交叉的学科，“机器学习是对能通过经验自动改进的计算机算法研究”。其主要目的是研究计算机如何通过学习人类的思维和行为，来自动获取新知识，自动适应环境的变化的。机器学习是人工智能的核心思想。

大数据是指数据的量，过去数十年数据收集存储的能力大幅提升，人类社会积累的数据量几何级数上升，这是指目前的现状。数据挖掘是从海量数据中获取规则和知识，统计学和机器学习为数据挖掘提供了数据分析的技术手段。

数据挖掘，数据分析，机器学习这三者之间既有交集也有不同，彼此之间既有联系和相互运用，也有各自不同的领域和应用。机器学习为数据挖掘提供了理论方法，而数据挖掘技术是机器学习技术的一个实际应用。

经典机器学习系列之【相似性度量】

1、一般地，一个机器学习模型选择哪种损失函数，是凭借经验而定的，没有什么特定的标准。具体来说，（1）均方误差是一种较早的损失函数定义方法，它衡量的是两个分布对应维度的差异性之和。

2、使用在线学习处理超大数据集 基于实例与基于模型的学习 另一种对机器学习系统进行分类的方法是看它们如何泛化。大多数机器学习任务是要做出预测，需要在未知的数据进行泛化。泛化的主要方法有两种：基于实例的学习和基于模型的学习。

3、在数据处理和机器学习中，多种距离度量方法被广泛应用，以衡量数据点之间的相似性或差异。以下是七种常见的度量方式： **欧几里得距离**（Euclidean Distance）是最直观的，计算两点间线段长度，但非尺度不变，对数据需进行归一化处理。适合低维且大小重要的向量。

人工智能、机器学习和深度学习之间的关系

深度学习使得机器学习能够实现众多的应用，并拓展了人工智能的领域范围。深度学习摧枯拉朽般地实现了各种任务，使得似乎所有的机器辅助功能都变为可能。无人驾驶汽车，预防性医疗保健，甚至是更好的电影推荐，都近在眼前，或者即将实现。 人工智能就在现在，就在明天。

人工智能、机器学习和深度学习之间的关系可以用一个渐进的层次关系来表示。深度学习是机器学习的一种方法，而机器学习又是人工智能的一种实现方式。人工智能旨在让计算机具备类似于人类的智能，能够自主地学习、推理、感知和理解任务。

简单来说，机器学习是实现人工智能的方法，深度学习是实现机器学习的技术。机器学习在实现人工智能时中需要人工辅助（半自动），而深度学习使该过程完全自动化。

先是机器学习，然后是深度学习。深度学习又是机器学习的子集。深度学习造成了前所未有的巨大的影响。 从概念的提出到走向繁荣 1956年，几个计算机科学家相聚在达特茅斯会议（Dartmouth Conferences），提出了“人工智能”的概念。其后，人工智能就一直萦绕于人们的脑海之中，并在科研实验室中慢慢孵化。

机器学习之决策树回归篇(DecisionTreeRegressor)

1、决策树（Decision Tree）是一种基本的分类与回归方法，其模型呈树状结构，在分类问题中，表示基于特征对实例进行分类的过程。本质上，决策树模型就是一个定义在特征空间与类空间上的条件概率分布。决策树学习通常包括三个步骤： 特征选择 、 决策树的生成 和 决策树的修剪 。

2、决策树在分类和回归问题中表现出色，凭借其易解释性和对缺失值的容忍度，广泛应用于搜索广告和风险评估等领域。例如，在搜索广告中，决策树可用于组合特征选择，如通过GBDT和LR来揭示特征间交互，而在风险控制中，决策树能帮助判断是否应向特定个人提供贷款。接下来，我们来深入了解决策树的一些关键概念。

3、叶子节点上的最小样本数（min_samples_leaf）：避免过拟合，通常设定为1或稍大值。通过上述参数的调整，决策树在分类问题中可以构建为分类决策树，而在回归问题中则构建为回归决策树。使用scikit-learn库调用决策树时，只需选择相应的函数（DecisionTreeClassifier或DecisionTreeRegressor）。

4、决策树是一种在机器学习和数据挖掘中广泛应用的预测模型。它是一种监督学习算法，用于分类和回归问题。它通过构建树状结构，将数据集的特征与决策过程相结合，从而实现预测。简而言之，决策树是一个易于理解且非常直观的可视化工具，用于构建分类决策流程。