"人工智能复习：KNN算法和分类评价指标"

）中有多少是真正的正例（第二个字母是 P） ·查全率（灵敏度、召回率）R：在“所有真实的正例”（TP和FN）中有多少被预测为正例（第二个字母是 P） ·特异度：在“所有真实的负例”（TN和FP）中有多少被预测为负例（第二个字母是 N） 3. 逻辑回归 ①确定回归系数 ②将回归系数代入sigmoid函数进行分类预测 ③根据预测结果进行分类评估和模型优化 4. 决策树 ①选择最佳切分属性和分割点 ②生成子树 ③递归构建决策树 5. SVM（支持向量机） ①寻找最大间隔超平面 ②将分类问题转化为优化问题并求解 ③通过求解得到支持向量 二、选择题 1. 机器学习任务主要包括哪些方向？（ABC） A. 监督学习 B. 无监督学习 C. 强化学习 D. 半监督学习 2. 以下哪个算法是用于处理分类问题的？（ABC） A. KNN B. SVM C. 逻辑回归 D. 决策树 3. 以下哪个指标用于评估分类模型的性能？（ABC） A. 准确率 B. RMSE C. 查准率 D. R方 这些内容介绍了人工智能中的一些基础知识和常见方法，包括KNN（K 近邻）、分类评价指标、逻辑回归、决策树和SVM（支持向量机）。KNN是一种常用的分类算法，它通过计算已知样本与未知样本之间的距离来进行分类。具体流程包括计算距离、排序、选择最小的K个样本和统计类别。分类评价指标用于评估分类模型的性能，包括准确率、精确率、召回率和特异度等。逻辑回归是一种经典的分类算法，通过确定回归系数并将其代入sigmoid函数进行分类预测。决策树是一种常用的分类和回归算法，通过选择最佳切分属性和分割点来构建决策树。SVM是一种用于处理分类问题的算法，它通过寻找最大间隔超平面来进行分类。在机器学习任务中，常见的方向包括监督学习、无监督学习、强化学习和半监督学习。以上算法和指标是人工智能中的基础知识和常用方法，对于学习和应用人工智能技术具有重要的意义。