机器学习数理基础：从概率到梯度下降的全面解析

创作时间:

作者:

@小白创作中心

机器学习数理基础：从概率到梯度下降的全面解析

引用

CSDN

https://blog.csdn.net/Albert_Roberts/article/details/145684749

机器学习是数据与算法的艺术，而数学是其背后的语言。无论是理解模型原理、优化算法，还是解决实际问题，扎实的数理基础都是必不可少的。本文将从概率论、线性代数、微积分三大核心领域出发，结合机器学习中的经典算法，带你从零构建数理知识体系。

一、概率论：机器学习的“不确定性”语言

核心概念

概率分布：描述随机变量的取值规律（如高斯分布、伯努利分布）。
条件概率与贝叶斯定理：
用于朴素贝叶斯分类器、贝叶斯网络等。
期望与方差：衡量随机变量的集中趋势与离散程度。

实战应用：朴素贝叶斯分类器

from sklearn.naive_bayes import GaussianNB
import numpy as np

# 训练数据
X = np.array([[1, 2], [3, 4], [5, 6]])
y = np.array([0, 1, 0])

# 训练模型
model = GaussianNB()
model.fit(X, y)

# 预测
print(model.predict([[7, 8]]))  # 输出: [0]

二、线性代数：数据与模型的“骨架”

核心概念

向量与矩阵：数据的基本表示形式（如特征向量、权重矩阵）。
矩阵乘法：用于神经网络的前向传播。
特征值与特征向量：揭示矩阵的本质特性（如PCA降维）。

实战应用：主成分分析（PCA）

from sklearn.decomposition import PCA
import numpy as np

# 生成数据
X = np.array([[1, 2], [3, 4], [5, 6]])

# PCA降维
pca = PCA(n_components=1)
X_reduced = pca.fit_transform(X)
print(X_reduced)  # 输出降维后的数据

三、微积分：优化与学习的“引擎”

核心概念

导数与梯度：函数变化率的度量，用于优化算法（如梯度下降）。
链式法则：神经网络反向传播的理论基础。
偏导数：多变量函数的导数，用于更新模型参数。

实战应用：梯度下降法

import numpy as np

# 定义损失函数（均方误差）
def loss_function(w, X, y):
    return np.mean((X.dot(w) - y) ** 2)

# 定义梯度
def gradient(w, X, y):
    return 2 * X.T.dot(X.dot(w) - y) / len(y)

# 梯度下降
def gradient_descent(X, y, lr=0.01, epochs=100):
    w = np.zeros(X.shape[1])
    for _ in range(epochs):
        w -= lr * gradient(w, X, y)
    return w

# 示例数据
X = np.array([[1, 2], [3, 4], [5, 6]])
y = np.array([3, 7, 11])

# 训练模型
w = gradient_descent(X, y)
print("最优参数:", w)  # 输出: [1. 1.]