關(guān)于機(jī)器學(xué)習(xí)及其算法和發(fā)展的研究

徐士成

摘 要：我國社會(huì)城市化發(fā)展水平在經(jīng)濟(jì)快速增長(zhǎng)的帶動(dòng)下，呈現(xiàn)出了全面深入的發(fā)展勢(shì)態(tài)，特別是人工智能行業(yè)的發(fā)展，為人們享受高品質(zhì)生活提供了保障。人工智能中的機(jī)器學(xué)習(xí)，具有不可替代的作用，為人們生活舒適程度的提升帶具有巨大的促進(jìn)作用。本文針對(duì)我國機(jī)器學(xué)習(xí)及其算法和發(fā)展，展開詳細(xì)的分析，為我國人工智能行業(yè)穩(wěn)健發(fā)展，奠定堅(jiān)實(shí)的基礎(chǔ)。

關(guān)鍵詞：機(jī)器學(xué)習(xí);算法;發(fā)展

引言：我國社會(huì)現(xiàn)代化程度逐漸加深，使計(jì)算機(jī)技術(shù)和人工智能技術(shù)得到了良好的發(fā)展，為人們生活和工作提供了便捷的服務(wù)。因此，加大對(duì)機(jī)器學(xué)習(xí)研究力度，通過利用計(jì)算機(jī)技術(shù)獲得人們需要你的數(shù)據(jù)、信息、資料，使計(jì)算機(jī)技術(shù)智能化發(fā)展的目標(biāo)進(jìn)一步實(shí)現(xiàn)，有效拉近與人工智能之間的距離。

一、機(jī)器學(xué)習(xí)經(jīng)典性算法

（一）決策樹算法

決策樹算法是一種形狀類似大樹的預(yù)測(cè)型模型，從模型的根節(jié)點(diǎn)開始，將實(shí)際中的案例進(jìn)行排列，直到葉節(jié)點(diǎn)為之，在此基礎(chǔ)上，對(duì)這些案例展開嚴(yán)謹(jǐn)?shù)念悇e劃分，每一個(gè)節(jié)點(diǎn)對(duì)應(yīng)一種案例的類別。決策樹算法主要是以CART算法、C4.5算法、C4.5算法為基礎(chǔ)，利用剪枝和分裂的模式開展相關(guān)學(xué)習(xí)的。決策樹算法的計(jì)算順序采取的是從上至下的方法，將最有屬性設(shè)定為每一個(gè)節(jié)點(diǎn)分類效果選擇的標(biāo)準(zhǔn)模式，并不斷重復(fù)此過程，使決策樹能夠在有效、準(zhǔn)確的保證下，開展相關(guān)的分類訓(xùn)練集，并且確保每一個(gè)相應(yīng)的屬性都被自身使用過。在分類學(xué)習(xí)實(shí)際開展的過程中，由于每一個(gè)也節(jié)點(diǎn)對(duì)應(yīng)案例的一個(gè)分類，所以，對(duì)應(yīng)的分類應(yīng)該屬于葉節(jié)點(diǎn)，此時(shí)，葉節(jié)點(diǎn)已經(jīng)包含、匯總了種類豐富的樣本，因此，可以根據(jù)其中樣本具有的眾多數(shù)量，選擇出該類別中具有個(gè)體總數(shù)最多的樣本。與此同時(shí)，想要將回歸類屋內(nèi)的問題有效解決，可以選擇數(shù)量的平均數(shù)來支持相關(guān)工作。在決策樹算法中根據(jù)內(nèi)容的大小，可以分為較大樹和較小樹，在較大樹中，允許數(shù)據(jù)過分你擬合的情況發(fā)生，在較小樹中，不允許獲取重要結(jié)構(gòu)相關(guān)信息。在使用決策樹算法的過程中，必須保證使用的案例不能具備較高的復(fù)雜性以及調(diào)整參因數(shù)，使數(shù)據(jù)能夠利用科學(xué)的控制手段，自行選擇適應(yīng)范圍，從而得到樹的科學(xué)大小。比如，通過對(duì)樹進(jìn)行科學(xué)的修剪，能夠改變其中數(shù)據(jù)的內(nèi)容，達(dá)到降低噪音的效果。

（二）隨機(jī)森林算法

雖然決策樹算法中具有剪枝控制樹方法和分類屬性方法，能夠促進(jìn)機(jī)器學(xué)習(xí)效果的提升，但是對(duì)樹出現(xiàn)的不平衡現(xiàn)象，卻不能進(jìn)行有效的控制。因此，根據(jù)大量的實(shí)際調(diào)查研究能夠發(fā)現(xiàn)，將分裂器和回歸器設(shè)計(jì)在樹中，能夠使樹的預(yù)測(cè)精準(zhǔn)度和分類準(zhǔn)確度進(jìn)一步提升。隨機(jī)森林算法是一種具有多重決策能力的樹{h（X，k）}，能夠形成數(shù)量較多分裂器和回歸器。在此過程中，{（k）}的種類不同，相互之間保持獨(dú)立，并且具有的向量同時(shí)隨機(jī)分布。當(dāng)?shù)玫骄唧w的得分以后，通過投票的模式對(duì)其進(jìn)行科學(xué)的分類，將輸出向量類別總數(shù)最多的設(shè)成X并標(biāo)注，這樣，在后續(xù)的回歸環(huán)節(jié)，將不同得分的進(jìn)行計(jì)算，并將得分的平均值作為最終的決斷依據(jù)[1]。

（三）人工神經(jīng)網(wǎng)絡(luò)算法

人工神經(jīng)網(wǎng)絡(luò)算法的出現(xiàn)，主要受到生物學(xué)的啟發(fā)，將神經(jīng)元理論作為基礎(chǔ)，形成的一種結(jié)構(gòu)比較復(fù)雜的網(wǎng)絡(luò)。通過將單一的眾多單元有機(jī)結(jié)合，組成一張龐大的網(wǎng)絡(luò)體系，就是人工神經(jīng)網(wǎng)絡(luò)算法的核心。尤其人工神經(jīng)網(wǎng)絡(luò)算法中的每一個(gè)單元都具有一定的實(shí)際數(shù)值輸入能力，因此，會(huì)產(chǎn)生大量的實(shí)際數(shù)值輸出。這一特點(diǎn)為人工神經(jīng)網(wǎng)絡(luò)算法具備較大數(shù)據(jù)庫奠定了基礎(chǔ)。組成人工神經(jīng)網(wǎng)絡(luò)算法的眾多模型具有種類多元化的優(yōu)勢(shì)，由于應(yīng)用領(lǐng)域、計(jì)算方法、運(yùn)行模式、組成結(jié)構(gòu)、獲得途徑等方面存在較大的差異，因此，每一個(gè)模型具有的作用各不相同。根據(jù)對(duì)人工神經(jīng)網(wǎng)絡(luò)算法進(jìn)行的大量實(shí)際調(diào)查研究發(fā)現(xiàn)，ART模型、SOM模型、自組織神經(jīng)網(wǎng)絡(luò)模型、多層前向神經(jīng)網(wǎng)絡(luò)MLFN模型等，是人工神經(jīng)網(wǎng)絡(luò)算法中被使用次數(shù)最多的幾種，這是因?yàn)?，人工神?jīng)網(wǎng)絡(luò)算法的核心重點(diǎn)，主要是對(duì)閾值邏輯單元進(jìn)行建造，將每一個(gè)單元作為獨(dú)立于其他單元單獨(dú)存在的個(gè)體，可以通過對(duì)加權(quán)系數(shù)量的輸入，進(jìn)行求和。在此過程中需要注意的是，如果求和的結(jié)果與某個(gè)閾值的數(shù)值相同或者大于某個(gè)閾值的數(shù)值，那么，應(yīng)該輸出一個(gè)量[2]。

（四）樸素貝葉斯

樸素貝葉斯算法的使用，應(yīng)該根據(jù)推理的需要而定。比如，通過對(duì)物體外形特點(diǎn)的描述推理出物體的類型，該商品各個(gè)特征之間相互獨(dú)立，互不影響，但是當(dāng)物體的特征數(shù)量較多時(shí)，獨(dú)立條件制定低效，此時(shí)可以運(yùn)用樸素貝葉斯算法。通過對(duì)物體各個(gè)特征的整理，得到特征概率表。在推理的過程中，通過對(duì)特征概率的比較得到目標(biāo)結(jié)果。在此過程中需要注意，樸素貝葉斯算法的訓(xùn)練過程比較容易，推理過程卻具有比較大的難度。

（五）馬爾可夫

任何一個(gè)貝葉斯模型對(duì)應(yīng)于唯一的一個(gè)馬爾可夫模型，而任意一個(gè)馬爾可夫模型，可以對(duì)應(yīng)于多個(gè)貝葉斯模型。貝葉斯模型類似于象棋，等級(jí)分明;馬爾可夫模型類似于圍棋，人人平等。馬爾可夫模型是一種統(tǒng)計(jì)模型，廣泛應(yīng)用在語音識(shí)別，詞性自動(dòng)標(biāo)注，音字轉(zhuǎn)換，概率文法等各個(gè)自然語言處理等應(yīng)用領(lǐng)域。

二、機(jī)器學(xué)習(xí)的發(fā)展

根據(jù)大量的實(shí)際調(diào)查研究我們能夠發(fā)現(xiàn)，機(jī)器學(xué)習(xí)在大數(shù)據(jù)、物聯(lián)網(wǎng)、云計(jì)算等技術(shù)的支持下，能夠有效促進(jìn)數(shù)字化技術(shù)的發(fā)展，使自身具備能夠理解人類行為、語言、情感的能力，使自身水平提升到能夠完成人際互動(dòng)的層次，將自動(dòng)駕駛的愿望互轉(zhuǎn)變成現(xiàn)實(shí)。在醫(yī)療領(lǐng)域、金融行業(yè)、教育領(lǐng)域等日常生活中，機(jī)器學(xué)習(xí)的用途也比較廣泛，不僅能夠使具體工作的效率提升，還能使相關(guān)工作朝著智能化、個(gè)性化的方向進(jìn)一步發(fā)展。相信，在不遠(yuǎn)的未來，人類的體力、思考、學(xué)習(xí)、認(rèn)知等特點(diǎn)必將會(huì)在機(jī)器學(xué)習(xí)的作用下，得到進(jìn)一步強(qiáng)化[3]。

結(jié)束語

綜上所述，根據(jù)以上針對(duì)機(jī)器學(xué)習(xí)及其算法和發(fā)展，展開的詳細(xì)研究，我們能夠明確的了解，我國機(jī)器學(xué)習(xí)發(fā)展水平還不夠完善，對(duì)人工智能的發(fā)展還不夠全面，雖然其中很多存在問題的環(huán)節(jié)還不能攻克，但是在相關(guān)技術(shù)人員不斷的努力下，通過大量的實(shí)踐操作，吸取其它發(fā)達(dá)國家豐富的經(jīng)驗(yàn)，必然會(huì)使我國機(jī)器學(xué)習(xí)的水平和發(fā)展的帶進(jìn)一步提升，為我國人工智能領(lǐng)域的發(fā)展貢獻(xiàn)力量。

參考文獻(xiàn)：

[1]夏天.機(jī)器學(xué)習(xí)及其算法與應(yīng)用研究[J].電腦知識(shí)與技術(shù)，2017，12（15）：56-58.

[2]谷珊.大數(shù)據(jù)環(huán)境下機(jī)器學(xué)習(xí)算法趨勢(shì)研究[J].海峽科技與產(chǎn)業(yè)，2017，23（8）：38-40.

[3]李云飛.關(guān)于機(jī)器學(xué)習(xí)及其算法和發(fā)展研究[J].建筑工程技術(shù)與設(shè)計(jì)，2016，（15）：1344.