人工智能與機器學習的內涵及聯系？人工智能和機器學習之間的關系是什么？-機器學習是利用實現程序人工智能的一種技術手段-算法模型-概念：普通的對象。特殊之處就取決于人該對象內部也板載顯卡或是封裝方法好一個

人工智能與機器學習的內涵及聯系？

人工智能和機器學習之間的關系是什么？

-機器學習是利用實現程序人工智能的一種技術手段

-算法模型

-概念：普通的對象。特殊之處就取決于人該對象內部也板載顯卡或是封裝方法好一個某種方程（還是沒有求出解的方程）

-作用：算法模型對象終于求出的解那就是該算法模型基于分析和預測的或分類的結果

-預測

-分類

-樣本數據：numpy，DataFrame

-樣本數據和算法模型之間的關聯：樣本數據是必須解出到算法模型對象中對其采取內部整體封裝的方程接受求解的操作。該過程被稱做模型的訓練。

-組成部分：

-特征數據：自變量（樓層，采光率，面積）

-目標數據：因變量（售價）

-模型的分類：

-有監督去學習：假如模型必須的樣本數據中必須包涵特征和目標數據，則該模型歸為有監督學習的分類

-無監督學習：要是模型要的樣本數據只要有特征數據再試一下。

-sklearn模塊：至少封裝方法了10多種算法模型對象。

-線性回歸模型算法模型-》分析和預測

-KNN算法模型-》分類

分類和分析和預測的區別

-分類

分類：輸入輸入樣本數據，輸出來隨機的類別，將樣本中每個數據對應三個試求屬性。(有監督學習)

分類算法分成三類兩步：

(1)學習步：是從訓練樣本數據集，確立分類劃分規則

(2)歸類步：用試求的測試樣本集評估分類規則的準確率，若準確率可接受，則是建議使用該規則對除樣本以外的數據(待測樣本集)并且分析和預測。

-分析預測

預測：兩種或是兩種以上的變量之間相互依賴的函數模型，進行預估或則操縱。

預測國家算法分兩步：

(1)是從訓練集組建樣本模型

(2)檢驗后參與預測或是壓制

-正確的分類與預測算法

1.回歸分析：線形進入虛空、非線性重臨、Logistic回歸、嶺輪回、主成分重臨、最小二乘回歸等。

2.決策樹：分類算法

(人工神經網絡)：

4.貝葉斯網絡

5、支持向量機(svm):將低維非線性轉換的為高維線形進行計算。

關于sklearn中的決策樹是否應該用one-hot編碼？

sklearn中的決策樹是CART，咱們都知道它是實現基尼指數的二叉樹。這樣的話相對于一個屬性，并不會中,選擇一個值對該屬性劃分成兩部分。要是有一個離散化方法特征的取值有1000個，諸如商品的品牌，這樣如果沒有直接按順序從0到999編號，有無會出問題？要知道CART會從0-999選不一個編號接受劃分，但是這些編號的順序卻沒意義，這個劃分問題看樣子也不現代科學。此時有無應該用獨熱編碼？

不要，樹模型不計算距離。