關于機器學習及其算法和發展的研究

徐士成

摘 要：我國社會城市化發展水平在經濟快速增長的帶動下，呈現出了全面深入的發展勢態，特別是人工智能行業的發展，為人們享受高品質生活提供了保障。人工智能中的機器學習，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作用。本文針對我國機器學習及其算法和發展，展開詳細的分析，為我國人工智能行業穩健發展，奠定堅實的基礎。

關鍵詞：機器學習;算法;發展

引言：我國社會現代化程度逐漸加深，使計算機技術和人工智能技術得到了良好的發展，為人們生活和工作提供了便捷的服務。因此，加大對機器學習研究力度，通過利用計算機技術獲得人們需要你的數據、信息、資料，使計算機技術智能化發展的目標進一步實現，有效拉近與人工智能之間的距離。

一、機器學習經典性算法

（一）決策樹算法

決策樹算法是一種形狀類似大樹的預測型模型，從模型的根節點開始，將實際中的案例進行排列，直到葉節點為之，在此基礎上，對這些案例展開嚴謹的類別劃分，每一個節點對應一種案例的類別。決策樹算法主要是以CART算法、C4.5算法、C4.5算法為基礎，利用剪枝和分裂的模式開展相關學習的。決策樹算法的計算順序采取的是從上至下的方法，將最有屬性設定為每一個節點分類效果選擇的標準模式，并不斷重復此過程，使決策樹能夠在有效、準確的保證下，開展相關的分類訓練集，并且確保每一個相應的屬性都被自身使用過。在分類學習實際開展的過程中，由于每一個也節點對應案例的一個分類，所以，對應的分類應該屬于葉節點，此時，葉節點已經包含、匯總了種類豐富的樣本，因此，可以根據其中樣本具有的眾多數量，選擇出該類別中具有個體總數最多的樣本。與此同時，想要將回歸類屋內的問題有效解決，可以選擇數量的平均數來支持相關工作。在決策樹算法中根據內容的大小，可以分為較大樹和較小樹，在較大樹中，允許數據過分你擬合的情況發生，在較小樹中，不允許獲取重要結構相關信息。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雜性以及調整參因數，使數據能夠利用科學的控制手段，自行選擇適應范圍，從而得到樹的科學大小。比如，通過對樹進行科學的修剪，能夠改變其中數據的內容，達到降低噪音的效果。

（二）隨機森林算法

雖然決策樹算法中具有剪枝控制樹方法和分類屬性方法，能夠促進機器學習效果的提升，但是對樹出現的不平衡現象，卻不能進行有效的控制。因此，根據大量的實際調查研究能夠發現，將分裂器和回歸器設計在樹中，能夠使樹的預測精準度和分類準確度進一步提升。隨機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，相互之間保持獨立，并且具有的向量同時隨機分布。當得到具體的得分以后，通過投票的模式對其進行科學的分類，將輸出向量類別總數最多的設成X并標注，這樣，在后續的回歸環節，將不同得分的進行計算，并將得分的平均值作為最終的決斷依據[1]。

（三）人工神經網絡算法

人工神經網絡算法的出現，主要受到生物學的啟發，將神經元理論作為基礎，形成的一種結構比較復雜的網絡。通過將單一的眾多單元有機結合，組成一張龐大的網絡體系，就是人工神經網絡算法的核心。尤其人工神經網絡算法中的每一個單元都具有一定的實際數值輸入能力，因此，會產生大量的實際數值輸出。這一特點為人工神經網絡算法具備較大數據庫奠定了基礎。組成人工神經網絡算法的眾多模型具有種類多元化的優勢，由于應用領域、計算方法、運行模式、組成結構、獲得途徑等方面存在較大的差異，因此，每一個模型具有的作用各不相同。根據對人工神經網絡算法進行的大量實際調查研究發現，ART模型、SOM模型、自組織神經網絡模型、多層前向神經網絡MLFN模型等，是人工神經網絡算法中被使用次數最多的幾種，這是因為，人工神經網絡算法的核心重點，主要是對閾值邏輯單元進行建造，將每一個單元作為獨立于其他單元單獨存在的個體，可以通過對加權系數量的輸入，進行求和。在此過程中需要注意的是，如果求和的結果與某個閾值的數值相同或者大于某個閾值的數值，那么，應該輸出一個量[2]。

（四）樸素貝葉斯

樸素貝葉斯算法的使用，應該根據推理的需要而定。比如，通過對物體外形特點的描述推理出物體的類型，該商品各個特征之間相互獨立，互不影響，但是當物體的特征數量較多時，獨立條件制定低效，此時可以運用樸素貝葉斯算法。通過對物體各個特征的整理，得到特征概率表。在推理的過程中，通過對特征概率的比較得到目標結果。在此過程中需要注意，樸素貝葉斯算法的訓練過程比較容易，推理過程卻具有比較大的難度。

（五）馬爾可夫

任何一個貝葉斯模型對應于唯一的一個馬爾可夫模型，而任意一個馬爾可夫模型，可以對應于多個貝葉斯模型。貝葉斯模型類似于象棋，等級分明;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計模型，廣泛應用在語音識別，詞性自動標注，音字轉換，概率文法等各個自然語言處理等應用領域。

二、機器學習的發展

根據大量的實際調查研究我們能夠發現，機器學習在大數據、物聯網、云計算等技術的支持下，能夠有效促進數字化技術的發展，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的層次，將自動駕駛的愿望互轉變成現實。在醫療領域、金融行業、教育領域等日常生活中，機器學習的用途也比較廣泛，不僅能夠使具體工作的效率提升，還能使相關工作朝著智能化、個性化的方向進一步發展。相信，在不遠的未來，人類的體力、思考、學習、認知等特點必將會在機器學習的作用下，得到進一步強化[3]。

結束語

綜上所述，根據以上針對機器學習及其算法和發展，展開的詳細研究，我們能夠明確的了解，我國機器學習發展水平還不夠完善，對人工智能的發展還不夠全面，雖然其中很多存在問題的環節還不能攻克，但是在相關技術人員不斷的努力下，通過大量的實踐操作，吸取其它發達國家豐富的經驗，必然會使我國機器學習的水平和發展的帶進一步提升，為我國人工智能領域的發展貢獻力量。

參考文獻：

[1]夏天.機器學習及其算法與應用研究[J].電腦知識與技術，2017，12（15）：56-58.

[2]谷珊.大數據環境下機器學習算法趨勢研究[J].海峽科技與產業，2017，23（8）：38-40.

[3]李云飛.關于機器學習及其算法和發展研究[J].建筑工程技術與設計，2016，（15）：1344.