AI与机器学习
是一门多领域交叉学科，涉及概率论、统计学、逼近论、
凸分析、算法复杂度理论等多门学科
机学习的步骤
数据准备
特征工程
模型选择
模型训练
模型评估
模型优化
模型部署
模型应用
数据准备
收集与任务相关的数据，优先选择具有代表性的数据集，确保覆盖领域并避免样本不平衡
处理缺失值、异常值和冗余数据，确保数据质量4。例如，通过统计分析识别异常点，使用插值法填补缺失值
特征工程
从原始数据中提取有意义的特征，如通过主成分分析降维，或构造新特征增强模型表达能力
模型选择
根据任务类型选择合适算法，如分类任务用逻辑回归、决策树，回归任务用线性回归等
模型训练
使用训练数据集调整模型参数，通过损失函数优化目标函数，最终确定最佳模型
模型评估
通过交叉验证、测试集评估模型性能，判断是否过拟合或欠拟合
模型优化
调整学习率、正则化参数等超参数，提升模型泛化能力
模型部署
将训练好的模型集成到实际系统中，进行实时预测或批量分析
模型应用
根据新数据反馈调整模型，或采用模型融合技术提升性能
