正文

人工智能十大算法（人工智能十大算法及應(yīng)用）

發(fā)布時(shí)間：2023-05-22 07:59:17 稿源：創(chuàng)意嶺閱讀： 94

大家好！今天讓創(chuàng)意嶺的小編來(lái)大家介紹下關(guān)于人工智能十大算法的問(wèn)題，以下是小編對(duì)此問(wèn)題的歸納整理，讓我們一起來(lái)看看吧。

開(kāi)始之前先推薦一個(gè)非常厲害的Ai人工智能工具，一鍵生成原創(chuàng)文章、方案、文案、工作計(jì)劃、工作報(bào)告、論文、代碼、作文、做題和對(duì)話答疑等等

只需要輸入關(guān)鍵詞，就能返回你想要的內(nèi)容，有小程序、在線網(wǎng)頁(yè)版、PC客戶端和批量生成器

官網(wǎng)：https://ai.de1919.com。

本文目錄:

人工智能開(kāi)發(fā)機(jī)器學(xué)習(xí)的常用算法
k均值聚類法名列人工智能十大算法的原因
人工智能算法大致可分作幾類?請(qǐng)分別進(jìn)行闡述。
人工智能算法有哪些

人工智能十大算法（人工智能十大算法及應(yīng)用）

人工智能開(kāi)發(fā)機(jī)器學(xué)習(xí)的常用算法

我們?cè)趯W(xué)習(xí)人工智能以及智能AI技術(shù)的時(shí)候曾經(jīng)給大家介紹過(guò)不同的機(jī)器學(xué)習(xí)的方法，而今天我們就著重介紹一下，關(guān)于機(jī)器學(xué)習(xí)的常用算法都有哪些類型。

支持向量機(jī)是什么?

支持向量機(jī)是一種有監(jiān)督的機(jī)器學(xué)習(xí)算法，可以用于分類或回歸問(wèn)題。它使用一種稱為核技巧的技術(shù)來(lái)轉(zhuǎn)換數(shù)據(jù)，然后根據(jù)這些轉(zhuǎn)換在可能的輸出之間找到一個(gè)邊界。簡(jiǎn)單地說(shuō)，它做一些非常復(fù)雜的數(shù)據(jù)轉(zhuǎn)換，然后根據(jù)定義的標(biāo)簽或輸出來(lái)劃分?jǐn)?shù)據(jù)。

那么是什么讓它如此偉大呢?

支持向量機(jī)既能進(jìn)行分類又能進(jìn)行回歸。在本文中，我將重點(diǎn)介紹如何使用SVM進(jìn)行分類。我將特別關(guān)注非線性支持向量機(jī)，或者說(shuō)是使用非線性核的支持向量機(jī)。非線性支持向量機(jī)意味著算法計(jì)算的邊界不一定是直線。好處是您可以捕獲數(shù)據(jù)點(diǎn)之間更復(fù)雜的關(guān)系，而不必自己做困難的轉(zhuǎn)換。缺點(diǎn)是訓(xùn)練時(shí)間更長(zhǎng)，因?yàn)樗枰嗟挠?jì)算。

那么核技巧是什么?

核技巧對(duì)你獲得的數(shù)據(jù)進(jìn)行轉(zhuǎn)換。有一些很好的特性，你認(rèn)為可以用來(lái)做一個(gè)很好的分類器，然后出來(lái)一些你不再認(rèn)識(shí)的數(shù)據(jù)。這有點(diǎn)像解開(kāi)一條DNA鏈。你從這個(gè)看起來(lái)很難看的數(shù)據(jù)向量開(kāi)始，在通過(guò)核技巧之后，它會(huì)被解開(kāi)并自我復(fù)合，直到它現(xiàn)在是一個(gè)更大的數(shù)據(jù)集，通過(guò)查看電子表格無(wú)法理解。但是這里有魔力，在擴(kuò)展數(shù)據(jù)集時(shí)，你的類之間現(xiàn)在有更明顯的界限，SVM算法能夠計(jì)算出更加優(yōu)化的超平面。

接下來(lái)，假設(shè)你是一個(gè)農(nóng)民，你有一個(gè)問(wèn)題-你需要設(shè)置一個(gè)圍欄，以保護(hù)你的奶牛免受狼的攻擊。但是你在哪里建造籬笆?好吧，如果你是一個(gè)真正的數(shù)據(jù)驅(qū)動(dòng)農(nóng)民，你可以做的一件事就是建立一個(gè)基于你牧場(chǎng)中奶牛和狼的位置的分類器。昌平北大青鳥(niǎo)建議通過(guò)幾種不同類型的分類器，我們看到SVM在從狼群中分離你的奶牛方面做得很好。我認(rèn)為這些圖也很好地說(shuō)明了使用非線性分類器的好處。您可以看到邏輯和決策樹(shù)模型都只使用直線。

k均值聚類法名列人工智能十大算法的原因

一、相異度計(jì)算
在正式討論聚類前，我們要先弄清楚一個(gè)問(wèn)題：如何定量計(jì)算兩個(gè)可比較元素間的相異度。用通俗的話說(shuō)，相異度就是兩個(gè)東西差別有多大，例如人類與章魚(yú)的相異度明顯大于人類與黑猩猩的相異度，這是能我們直觀感受到的。但是，計(jì)算機(jī)沒(méi)有這種直觀感受能力，我們必須對(duì)相異度在數(shù)學(xué)上進(jìn)行定量定義。
設(shè) ，其中X，Y是兩個(gè)元素項(xiàng)，各自具有n個(gè)可度量特征屬性，那么X和Y的相異度定義為：
，其中R為實(shí)數(shù)域。也就是說(shuō)相異度是兩個(gè)元素對(duì)實(shí)數(shù)域的一個(gè)映射，所映射的實(shí)數(shù)定量表示兩個(gè)元素的相異度。
下面介紹不同類型變量相異度計(jì)算方法。
1、標(biāo)量
（1）標(biāo)量也就是無(wú)方向意義的數(shù)字，也叫標(biāo)度變量?，F(xiàn)在先考慮元素的所有特征屬性都是標(biāo)量的情況。例如，計(jì)算X={2,1,102}和Y={1,3,2}的相異度。一種很自然的想法是用兩者的歐幾里得距離來(lái)作為相異度，歐幾里得距離的定義如下：

其意義就是兩個(gè)元素在歐氏空間中的集合距離，因?yàn)槠渲庇^易懂且可解釋性強(qiáng)，被廣泛用于標(biāo)識(shí)兩個(gè)標(biāo)量元素的相異度。將上面兩個(gè)示例數(shù)據(jù)代入公式，可得兩者的歐氏距離為：

除歐氏距離外，常用作度量標(biāo)量相異度的還有曼哈頓距離和閔可夫斯基距離，兩者定義如下：
（2）曼哈頓距離：

（3）閔可夫斯基距離：

（4）皮爾遜系數(shù)(Pearson Correlation Coefficient)
兩個(gè)變量之間的皮爾遜相關(guān)系數(shù)定義為兩個(gè)變量之間的協(xié)方差和標(biāo)準(zhǔn)差的商.

(其中，E為數(shù)學(xué)期望或均值，D為方差，D開(kāi)根號(hào)為標(biāo)準(zhǔn)差，E{ [X-ux] [Y-uy]}稱為隨機(jī)變量X與Y的協(xié)方差，記為Cov(X,Y)，即Cov(X,Y) = E{ [X-ux] [Y-ux]}，而兩個(gè)變量之間的協(xié)方差和標(biāo)準(zhǔn)差的商則稱為隨機(jī)變量X與Y的相關(guān)系數(shù)，記為
歐氏距離和曼哈頓距離可以看做是閔可夫斯基距離在p=2和p=1下的特例。另外這三種距離都可以加權(quán)，這個(gè)很容易理解。
下面要說(shuō)一下標(biāo)量的規(guī)格化問(wèn)題。上面這樣計(jì)算相異度的方式有一點(diǎn)問(wèn)題，就是取值范圍大的屬性對(duì)距離的影響高于取值范圍小的屬性。例如上述例子中第三個(gè)屬性的取值跨度遠(yuǎn)大于前兩個(gè)，這樣不利于真實(shí)反映真實(shí)的相異度，為了解決這個(gè)問(wèn)題，一般要對(duì)屬性值進(jìn)行規(guī)格化。
所謂規(guī)格化就是將各個(gè)屬性值按比例映射到相同的取值區(qū)間，這樣是為了平衡各個(gè)屬性對(duì)距離的影響。通常將各個(gè)屬性均映射到[0,1]區(qū)間，映射公式為：

其中max(ai)和min(ai)表示所有元素項(xiàng)中第i個(gè)屬性的最大值和最小值。例如，將示例中的元素規(guī)格化到[0,1]區(qū)間后，就變成了X’={1,0,1}，Y’={0,1,0}，重新計(jì)算歐氏距離約為1.732。
2、二元變量
所謂二元變量是只能取0和1兩種值變量，有點(diǎn)類似布爾值，通常用來(lái)標(biāo)識(shí)是或不是這種二值屬性。對(duì)于二元變量，上一節(jié)提到的距離不能很好標(biāo)識(shí)其相異度，我們需要一種更適合的標(biāo)識(shí)。一種常用的方法是用元素相同序位同值屬性的比例來(lái)標(biāo)識(shí)其相異度。

人工智能十大算法（人工智能十大算法及應(yīng)用）

人工智能算法大致可分作幾類?請(qǐng)分別進(jìn)行闡述。

人工智能算法有集成算法、回歸算法、貝葉斯算法等。

一、集成算法。

1、簡(jiǎn)單算法一般復(fù)雜度低、速度快、易展示結(jié)果，其中的模型可以單獨(dú)進(jìn)行訓(xùn)練，并且它們的預(yù)測(cè)能以某種方式結(jié)合起來(lái)去做出一個(gè)總體預(yù)測(cè)。

2、每種算法好像一種專家，集成就是把簡(jiǎn)單的算法組織起來(lái)，即多個(gè)專家共同決定結(jié)果。集成算法比使用單個(gè)模型預(yù)測(cè)出來(lái)的結(jié)果要精確的多，但需要進(jìn)行大量的維護(hù)工作。

二、回歸算法。

1、回歸分析是在一系列的已知自變量與因變量之間的相關(guān)關(guān)系的基礎(chǔ)上，建立變量之間的回歸方程，把回歸方程作為算法模型，通過(guò)其來(lái)實(shí)現(xiàn)對(duì)新自變量得出因變量的關(guān)系。

2、因此回歸分析是實(shí)用的預(yù)測(cè)模型或分類模型。

三、貝葉斯算法。

1、樸素貝葉斯分類是一種十分簡(jiǎn)單的分類算法：對(duì)于給出的待分類項(xiàng)，求解在此項(xiàng)出現(xiàn)的條件下各個(gè)類別出現(xiàn)的概率，哪個(gè)最大，就認(rèn)為此待分類項(xiàng)屬于哪個(gè)類別。

2、樸素貝葉斯分類分為三個(gè)階段，根據(jù)具體情況確定特征屬性，并對(duì)每個(gè)特征屬性進(jìn)行適當(dāng)劃分，形成訓(xùn)練樣本集合。計(jì)算每個(gè)類別在訓(xùn)練樣本中的出現(xiàn)頻率及每個(gè)特征屬性劃分對(duì)每個(gè)類別的條件概率估計(jì)。使用分類器對(duì)待分類項(xiàng)進(jìn)行分類。

人工智能算法有哪些

同意上一個(gè)回答，我來(lái)補(bǔ)充一下

決策樹(shù)

決策樹(shù)是在已知各種情況發(fā)生概率的基礎(chǔ)上，通過(guò)構(gòu)成決策樹(shù)來(lái)求取凈現(xiàn)值的期望值大于等于零的概率，評(píng)價(jià)項(xiàng)目風(fēng)險(xiǎn)，判斷其可行性的決策分析方法，是直觀運(yùn)用概率分析的一種圖解法。由于這種決策分支畫(huà)成圖形很像一棵樹(shù)的枝干，故稱決策樹(shù)。

隨機(jī)森林

在機(jī)器學(xué)習(xí)中，隨機(jī)森林是一個(gè)包含多個(gè)決策樹(shù)的分類器，并且其輸出的類別是由個(gè)別樹(shù)輸出的類別的眾數(shù)而定。

邏輯回歸

邏輯回歸，是一種廣義的線性回歸分析模型，常用于數(shù)據(jù)挖掘，疾病自動(dòng)診斷，經(jīng)濟(jì)預(yù)測(cè)等領(lǐng)域。例如，探討引發(fā)疾病的危險(xiǎn)因素，并根據(jù)危險(xiǎn)因素預(yù)測(cè)疾病發(fā)生的概率等。

Adaboost

Adaboost是一種迭代算法，其核心思想是針對(duì)同一個(gè)訓(xùn)練集訓(xùn)練不同的分類器(弱分類器)，然后把這些弱分類器集合起來(lái)，構(gòu)成一個(gè)更強(qiáng)的最終分類器(強(qiáng)分類器)。

其算法本身是通過(guò)改變數(shù)據(jù)分布來(lái)實(shí)現(xiàn)的，它根據(jù)每次訓(xùn)練集之中每個(gè)樣本的分類是否正確，以及上次的總體分類的準(zhǔn)確率，來(lái)確定每個(gè)樣本的權(quán)值。

樸素貝葉斯

樸素貝葉斯法是基于貝葉斯定理與特征條件獨(dú)立假設(shè)的分類方法。最為廣泛的兩種分類模型是決策樹(shù)模型和樸素貝葉斯模型。

和決策樹(shù)模型相比，樸素貝葉斯分類器發(fā)源于古典數(shù)學(xué)理論，有著堅(jiān)實(shí)的數(shù)學(xué)基礎(chǔ)，以及穩(wěn)定的分類效率。同時(shí)，樸素貝葉斯分類器模型所需估計(jì)的參數(shù)很少，對(duì)缺失數(shù)據(jù)不太敏感，算法也比較簡(jiǎn)單。

K近鄰

所謂K近鄰算法，即是給定一個(gè)訓(xùn)練數(shù)據(jù)集，對(duì)新的輸入實(shí)例，在訓(xùn)練數(shù)據(jù)集中找到與該實(shí)例最鄰近的K個(gè)實(shí)例（也就是上面所說(shuō)的K個(gè)鄰居），這K個(gè)實(shí)例的多數(shù)屬于某個(gè)類，就把該輸入實(shí)例分類到這個(gè)類中。

SVM

使用鉸鏈損失函數(shù)計(jì)算經(jīng)驗(yàn)風(fēng)險(xiǎn)并在求解系統(tǒng)中加入了正則化項(xiàng)以優(yōu)化結(jié)構(gòu)風(fēng)險(xiǎn)，是一個(gè)具有稀疏性和穩(wěn)健性的分類器。

神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)是生物神經(jīng)網(wǎng)絡(luò)在某種簡(jiǎn)化意義下的技術(shù)復(fù)現(xiàn)，它的主要任務(wù)是根據(jù)生物神經(jīng)網(wǎng)絡(luò)的原理和實(shí)際應(yīng)用的需要建造實(shí)用的人工神經(jīng)網(wǎng)絡(luò)模型，設(shè)計(jì)相應(yīng)的學(xué)習(xí)算法，模擬人腦的某種智能活動(dòng)，然后在技術(shù)上實(shí)現(xiàn)出來(lái)用以解決實(shí)際問(wèn)題。因此，生物神經(jīng)網(wǎng)絡(luò)主要研究智能的機(jī)理；人工神經(jīng)網(wǎng)絡(luò)主要研究智能機(jī)理的實(shí)現(xiàn)，兩者相輔相成。

以上就是關(guān)于人工智能十大算法相關(guān)問(wèn)題的回答。希望能幫到你，如有更多相關(guān)問(wèn)題，您也可以聯(lián)系我們的客服進(jìn)行咨詢，客服也會(huì)為您講解更多精彩的知識(shí)和內(nèi)容。