分类 AI(8/8)
一、分类 AI 基础知识介绍
1、什么是分类器
分类器是数据挖掘中对样本进行分类的方法的统称。
为了让大家对分类有个直观的认识，我们先来看两个例子：
酒类识别：我们测量了一瓶酒的颜色(波长)、酒精浓度，机器根据这些判断这瓶酒是属于啤酒、红酒、白酒中的哪一种。
疾病判断：病人到医院去做了一大堆肝功、血液测验，把测验数据送进一个机器里，机器根据这些数据来判断这个病人是否得病，得的什么病。
这种对输入的东西能够进行自动分类的机器，就叫做分类器。
对我们人类来说，单凭肉眼可能也能对酒类进行一个简单识别，但是对疾病判断就没那么容易了，这个时候，如果有个疾病判断的分类器，那我们只要输入相应的检测数据，就可以得出判断结果。
而基于人工智能的分类器不仅仅能做到疾病判断这种程度的事情，更复杂，更多特征值的判断它也能做，因为对电脑来说，存储和计算都是它最擅长的东西。有了这么一个强大的分类器帮手，在未来，几乎所有复杂的判断都可以让人工智能辅助我们做判断，更好的利用人工智能，你就能在未来获得先机。
实现分类器有很多方法，基于神经网络的深度学习就是其中一种！
2、分类 AI 原理（神经网络）
神经网络模型起源于尝试让机器模仿大脑的算法，将模仿神经元的脑神经单位进行连接，形成网络状图。
如图所示：
完整的神经网络包括输入层（4 个输入单元）、隐藏层（2 层，分别是 4 个和 3 个隐藏单元）、输出层(2 个输出单元）。
1）输入层：输入需要预测事物的特征值。
比如：
酒类识别中，酒的特征值就是酒的颜色、酒精浓度；
疾病判断中，疾病的特征值就变成了一大堆的化验数据。
2）隐藏层：通过复杂的隐藏层结构，提取输入数据中的显著特征，将结果传到输出层。
隐藏层可以是单层的，也可以是多层的，每一层里都有一定数量的神经元。
3）输出层：拥有不同输出分类结果的这一层被称为输出层。
比如：
酒类识别中，输出的结果是啤酒、红酒、白酒；
疾病判断中，输出的结果是健康、感冒、发烧等。
简单来说，整个神经网络通过输入层收集信息，利用隐藏层进行运算和处理信息，再从输出层输出分类结果，这样就做到了分类器的功能。
3、神经网络的训练与预测
分类器需要通过训练来大概地预测出分类结果。
举例说明：
一个从来没见过酒的人和一个对酒很有研究的人，哪个更能分辨出酒的种类呢？- 答案肯定是后者，一个喝过很多酒，对酒很有研究的人，非常了解酒的种类和味道，喝酒的次数越多，知道的酒的品种也就越多。
同样的，对于分类器来说，它也需要大量的训练数据不断进行训练，并且每一组的训练数据需要包含所有的特征值以及分类类别。
就好像训练一个不懂酒的人，训练的次数多了，他也能分辨出酒的种类。
而预测结果是否准确，与神经网络的结构、训练次数、甚至训练时的一些随机发生的因素都有关系。
二、分类 AI 的积木用法
1、矩阵数据积木
可用来直接调取矩阵的指定行或列的数据。
矩阵数据分为两种：
1、用户可自行上传相关数据的 excel 表格，系统会存作矩阵数据，即二维数组。
2、为了方便用户学习使用积木，系统预制了 4 组训练数据：上下分布、左右分布、圆形分布和螺旋分布，并分别存为矩阵数据。
2、设置训练特征和分类数据
- 设置训练数据的特征，必须是数字类型，如果是非数字类型，会被系统自动忽略。
设置训练数据分类：既可以是数字也可以是字符串形式，系统会自动识别总共的类别数量。（目前输出层只支持 2 种类别，否则无法运行。）
举例说明：
如图一个典型的训练数据结构，在这个矩阵中，每一行为一组数据。
红框圈住的，是众多训练数据的其中 1 组：数据 1。
A1 的值 20.45 与 B1 的值 14.75，就是数据 1 的两个特征值。
C1 的类别蓝点，就是数据 1 输出的分类结果。
而整个矩阵，就是由所有组的训练数据特征值及分类组成的。
其中列表 A 与列表 B 为训练数据的特征，列表 C 行为该特征下的分类结果：蓝点和红点。
训练数据积木的两种标准用法：
（1）列表形式
在数据侧边栏中新建列表：
输入相应数据即可直接调用列表数据：
（2）矩阵形式
上传本地的 excel 表格或系统预制的 4 组数据都会存作矩阵
使用矩阵数据积木即可直接调用
3、神经网络结构（隐含层结构积木）
设置神经网络隐藏层的结构。
- 隐藏层可以是单层或多层，不同的神经网络隐藏层结构，对最后的训练结果会产生不同的影响
4、后向传播算法（训练积木）
- 对设置好的训练数据使用特定算法进行训练，并存为模型
- 单个积木训练次数为 20，若需多次训练需要使用重复循环积木。
在训练时，舞台中也会出现该模型的相关训练信息。
- 当输入层也就是训练特征为 2 时，会出现模型预测的训练图像。
- 当输入层为非 2 时，无法显示预测的图像
- 随着训练次数的增多，预测的模型也会更加准确：
5、预测积木
将训练完的训练数据存作模型，对新的输入特征进行分类预测。
- 注意：预测的特征值数量与原训练数据的特征值数量需一致，否则无法预测结果。
预测出的结果分为两种形式：
（1）预测分类结果
作用：直接显示预测的分类结果，输出形式为变量。
表现形式：
（2）预测分类概率
作用：显示该组特征值中，不同分类结果的概率，输出形式为列表。
表现形式：
