Raj查看:0 回复:0 评论:0 创建时间:2020-01-31T12:36:38用户:
一、分类 AI 基础知识介绍 #1、什么是分类器
分类器是数据挖掘中对样本进行分类的方法的统称。
为了让大家对分类有个直观的认识，我们先来看两个例子：
酒类识别：我们测量了一瓶酒的颜色(波长)、酒精浓度，机器根据这些判断这瓶酒是属于啤酒、红酒、白酒中的哪一种。
疾病判断：病人到医院去做了一大堆肝功、血液测验，把测验数据送进一个机器里，机器根据这些数据来判断这个病人是否得病，得的什么病。
这种对输入的东西能够进行自动分类的机器，就叫做分类器。
对我们人类来说，单凭肉眼可能也能对酒类进行一个简单识别，但是对疾病判断就没那么容易了，这个时候，如果有个疾病判断的分类器，那我们只要输入相应的检测数据，就可以得出判断结果。
而基于人工智能的分类器不仅仅能做到疾病判断这种程度的事情，更复杂，更多特征值的判断它也能做，因为对电脑来说，存储和计算都是它最擅长的东西。有了这么一个强大的分类器帮手，在未来，几乎所有复杂的判断都可以让人工智能辅助我们做判断，更好的利用人工智能，你就能在未来获得先机。
实现分类器有很多方法，基于神经网络的深度学习就是其中一种！
#2、分类 AI 原理（神经网络）神经网络模型起源于尝试让机器模仿大脑的算法，将模仿神经元的脑神经单位进行连接，形成网络状图。
如图所示：
完整的神经网络包括输入层（4 个输入单元）、隐藏层（2 层，分别是 4 个和 3 个隐藏单元）、输出层(2 个输出单元）。
1）输入层：输入需要预测事物的特征值。
比如：
酒类识别中，酒的特征值就是酒的颜色、酒精浓度；
疾病判断中，疾病的特征值就变成了一大堆的化验数据。
2）隐藏层：通过复杂的隐藏层结构，提取输入数据中的显著特征，将结果传到输出层。
隐藏层可以是单层的，也可以是多层的，每一层里都有一定数量的神经元。
3）输出层：拥有不同输出分类结果的这一层被称为输出层。
比如：
酒类识别中，输出的结果是啤酒、红酒、白酒；
疾病判断中，输出的结果是健康、感冒、发烧等。
简单来说，整个神经网络通过输入层收集信息，利用隐藏层进行运算和处理信息，再从输出层输出分类结果，这样就做到了分类器的功能。
#3、神经网络的训练与预测分类器需要通过训练来大概地预测出分类结果。
同样的，对于分类器来说，它也需要大量的训练数据不断进行训练，并且每一组的训练数据需要包含所有的特征值以及分类类别。
就好像训练一个不懂酒的人，训练的次数多了，他也能分辨出酒的种类。
而预测结果是否准确，与神经网络的结构、训练次数、甚至训练时的一些随机发生的因素都有关系。
#二、分类 AI 的积木用法 #1、矩阵数据积木可用来直接调取矩阵的指定行或列的数据。
矩阵数据分为两种：
1、用户可自行上传相关数据的 excel 表格，系统会存作矩阵数据，即二维数组。
2、为了方便用户学习使用积木，系统预制了 4 组训练数据：上下分布、左右分布、圆形分布和螺旋分布，并分别存为矩阵数据。
设置训练数据分类：既可以是数字也可以是字符串形式，系统会自动识别总共的类别数量。（目前输出层只支持 2 种类别，否则无法运行。）
举例说明：
如图一个典型的训练数据结构，在这个矩阵中，每一行为一组数据。
红框圈住的，是众多训练数据的其中 1 组：数据 1。
A1 的值 20.45 与 B1 的值 14.75，就是数据 1 的两个特征值。
C1 的类别蓝点，就是数据 1 输出的分类结果。
而整个矩阵，就是由所有组的训练数据特征值及分类组成的。
其中列表 A 与列表 B 为训练数据的特征，列表 C 行为该特征下的分类结果：蓝点和红点。
训练数据积木的两种标准用法：
（1）列表形式
在数据侧边栏中新建列表：
输入相应数据即可直接调用列表数据：
（2）矩阵形式
上传本地的 excel 表格或系统预制的 4 组数据都会存作矩阵
使用矩阵数据积木即可直接调用
设置神经网络隐藏层的结构。
在训练时，舞台中也会出现该模型的相关训练信息。
将训练完的训练数据存作模型，对新的输入特征进行分类预测。
预测出的结果分为两种形式：
（1）预测分类结果
作用：直接显示预测的分类结果，输出形式为变量。
表现形式：
（2）预测分类概率
作用：显示该组特征值中，不同分类结果的概率，输出形式为列表。
表现形式：