如何使用机器学习来提取数据的特征
发布网友
发布时间：2022-04-24 04:33
共1个回答
热心网友
时间：2023-10-28 10:28
首先要明确一个概念：机器学习自己是无法判断数据“特征的”，指望把数据丢给机器，然后机器像人那样懂思考，能判断出这组数据特征是“胖的还是瘦”的那是不现实的。机器能做的，只是把数据按照人的期望要求进行运算，然后由人对运算结果进行判断而已。
其次，数据特征，一定是要人首先设定出几个识别模式，例如相关系数，例如欧氏距离，夹角余弦距离，例如趋势，例如是否自相关，例如稀疏度…………，把这些模式设定好后，让机器按照人想要的结果取进行运算，并根据运算结果可视化呈现。
最后，人再根据计算的结果，去判断这些数据的特征到底是“胖的还是瘦的”，最后再选择算法。
热心网友
时间：2023-10-28 10:28
首先要明确一个概念：机器学习自己是无法判断数据“特征的”，指望把数据丢给机器，然后机器像人那样懂思考，能判断出这组数据特征是“胖的还是瘦”的那是不现实的。机器能做的，只是把数据按照人的期望要求进行运算，然后由人对运算结果进行判断而已。
其次，数据特征，一定是要人首先设定出几个识别模式，例如相关系数，例如欧氏距离，夹角余弦距离，例如趋势，例如是否自相关，例如稀疏度…………，把这些模式设定好后，让机器按照人想要的结果取进行运算，并根据运算结果可视化呈现。
最后，人再根据计算的结果，去判断这些数据的特征到底是“胖的还是瘦的”，最后再选择算法。
热心网友
时间：2023-10-28 10:28
首先要明确一个概念：机器学习自己是无法判断数据“特征的”，指望把数据丢给机器，然后机器像人那样懂思考，能判断出这组数据特征是“胖的还是瘦”的那是不现实的。机器能做的，只是把数据按照人的期望要求进行运算，然后由人对运算结果进行判断而已。
其次，数据特征，一定是要人首先设定出几个识别模式，例如相关系数，例如欧氏距离，夹角余弦距离，例如趋势，例如是否自相关，例如稀疏度…………，把这些模式设定好后，让机器按照人想要的结果取进行运算，并根据运算结果可视化呈现。
最后，人再根据计算的结果，去判断这些数据的特征到底是“胖的还是瘦的”，最后再选择算法。
热心网友
时间：2023-10-28 10:28
首先要明确一个概念：机器学习自己是无法判断数据“特征的”，指望把数据丢给机器，然后机器像人那样懂思考，能判断出这组数据特征是“胖的还是瘦”的那是不现实的。机器能做的，只是把数据按照人的期望要求进行运算，然后由人对运算结果进行判断而已。
其次，数据特征，一定是要人首先设定出几个识别模式，例如相关系数，例如欧氏距离，夹角余弦距离，例如趋势，例如是否自相关，例如稀疏度…………，把这些模式设定好后，让机器按照人想要的结果取进行运算，并根据运算结果可视化呈现。
最后，人再根据计算的结果，去判断这些数据的特征到底是“胖的还是瘦的”，最后再选择算法。
热心网友
时间：2023-10-28 10:28
首先要明确一个概念：机器学习自己是无法判断数据“特征的”，指望把数据丢给机器，然后机器像人那样懂思考，能判断出这组数据特征是“胖的还是瘦”的那是不现实的。机器能做的，只是把数据按照人的期望要求进行运算，然后由人对运算结果进行判断而已。
其次，数据特征，一定是要人首先设定出几个识别模式，例如相关系数，例如欧氏距离，夹角余弦距离，例如趋势，例如是否自相关，例如稀疏度…………，把这些模式设定好后，让机器按照人想要的结果取进行运算，并根据运算结果可视化呈现。
最后，人再根据计算的结果，去判断这些数据的特征到底是“胖的还是瘦的”，最后再选择算法。
