机器学习导论：检查冗余的多层关联规则

检查冗余的多层关联规则-机器学习课件 机器学习是一门多领域交叉的学科，涉及计算机科学、数学、统计学、信息论、工程学等领域。它的主要目的是使计算机系统自动地从经验中学习，并不断地改进其性能。 在机器学习中，关联规则挖掘是非常重要的一部分。关联规则挖掘是指从大规模数据库中发现有价值的关联规则的过程。然而，在挖掘多层关联规则时，由于项间的“祖先”关系，有些发现的规则将是冗余的。例如，desktop computer => b/w printer [sup=8%, con=70%] 和 IBM desktop computer => b/w printer [sup=2%, con=72%]，其中第一个规则是第二个规则的“祖先”。如果规则(2)中的项用它在概念分层中的“祖先”代替，能得到(1)，而且(1)的支持度和置信度都接近“期望”值，则(1)是冗余的。 机器学习的主要内容包括监督学习、密度估计、非参数方法、决策树、人工神经网络、贝叶斯学习、增强学习、遗传算法等。监督学习是指从训练数据中学习一个模型，以便对新的输入数据进行预测。密度估计是指从数据中估计概率密度函数。非参数方法是指不需要事先假设概率分布的形式的方法。决策树是指基于树形结构的分类或回归模型。人工神经网络是指模拟人脑神经网络的模型。贝叶斯学习是指基于贝叶斯统计的学习方法。增强学习是指学习如何在环境中进行决策。遗传算法是指模拟生物进化的优化方法。 机器学习的应用非常广泛，如图像识别、自然语言处理、推荐系统、预测性维护等。例如，在销售终端记录每笔交易的详细资料，可以使用机器学习算法来分析顾客的购买行为，并进行个性化推荐。 在学习机器学习时，需要掌握基本概念、了解机器学习方法的思想、掌握少数经典算法，并能够编程实现。同时，多动脑思考，积极活跃的课堂讨论也是非常重要的。 本机器学习课件涵盖了机器学习的基本概念、监督学习、密度估计、非参数方法、决策树、人工神经网络、贝叶斯学习、增强学习、遗传算法等方面的知识点，并且强调了机器学习在实际应用中的重要性。