AI人工智能原理与Python实战：3. 机器学习概述与Python实现

- 日理万妓 2024-02-05 14:33 38阅读 0赞

## 1.背景介绍 ##

人工智能（Artificial Intelligence，AI）是一门研究如何让计算机模拟人类智能的学科。人工智能可以分为两个主要领域：机器学习（Machine Learning，ML）和深度学习（Deep Learning，DL）。机器学习是人工智能的一个子领域，它研究如何让计算机从数据中学习，以便进行预测、分类和决策等任务。深度学习是机器学习的一个子集，它利用神经网络进行学习，以便处理更复杂的问题。

在本文中，我们将深入探讨机器学习的核心概念、算法原理、具体操作步骤、数学模型公式、Python实现以及未来发展趋势。我们将使用Python编程语言进行实现，并提供详细的解释和代码示例。

## 2.核心概念与联系 ##

在机器学习中，我们的目标是让计算机从数据中学习，以便进行预测、分类和决策等任务。为了实现这一目标，我们需要了解以下几个核心概念：

1.  数据集（Dataset）：数据集是机器学习任务的基础，它是一组已标记的数据点，每个数据点都包含一组特征和一个标签。特征是数据点的属性，标签是数据点的类别或预测值。
2.  特征（Feature）：特征是数据点的属性，它们用于描述数据点。例如，在一个房价预测任务中，特征可以是房屋的面积、房屋的年龄、房屋的地理位置等。
3.  标签（Label）：标签是数据点的类别或预测值，它们用于训练机器学习模型。例如，在一个房价预测任务中，标签可以是房价的实际值。
4.  训练集（Training Set）：训练集是用于训练机器学习模型的数据子集。通过训练集，模型可以学习特征和标签之间的关系。
5.  测试集（Test Set）：测试集是用于评估机器学习模型性能的数据子集。通过测试集，我们可以评估模型在未知数据上的性能。
6.  模型（Model）：模型是机器学习任务的核心，它是一个函数，用于将输入特征映射到输出标签。模型可以是线性模型（如线性回归），也可以是非线性模型（如支持向量机）。
7.  损失函数（Loss Function）：损失函数是用于衡量模型预测与实际值之间差异的函数。通过优化损失函数，我们可以找到最佳的模型参数。
8.  优化算法（Optimization Algorithm）：优化算法是用于优化模型参数的算法。例如，梯度下降是一种常用的优化算法，它通过迭代地更新模型参数来最小化损失函数。

## 3.核心算法原理和具体操作步骤以及数学模型公式详细讲解 ##

在本节中，我们将详细讲解机器学习的核心算法原理、具体操作步骤以及数学模型公式。

### 3.1 线性回归 ###

线性回归是一种简单的机器学习算法，它用于预测连续型变量。线性回归的目标是找到一个最佳的直线，使得该直线可以最佳地拟合数据。

#### 3.1.1 算法原理 ####

线性回归的算法原理是最小化损失函数。损失函数是用于衡量模型预测与实际值之间差异的函数。在线性回归中，损失函数是均方误差（Mean Squared Error，MSE），它是预测值与实际值之间的平方差的平均值。通过优化损失函数，我们可以找到最佳的模型参数。

#### 3.1.2 具体操作步骤 ####

1.  准备数据：将数据分为训练集和测试集。
2.  初始化模型参数：在线性回归中，模型参数包括截距（Intercept）和斜率（Slope）。
3.  优化模型参数：使用梯度下降算法优化模型参数，以最小化损失函数。
4.  评估模型性能：使用测试集评估模型性能，并计算均方误差（MSE）。
5.  预测：使用训练好的模型对新数据进行预测。

#### 3.1.3 数学模型公式详细讲解 ####

线性回归的数学模型公式如下：

$$ y = mx + b $$

其中，$y$ 是预测值，$x$ 是输入特征，$m$ 是斜率，$b$ 是截距。

线性回归的损失函数是均方误差（MSE），它可以表示为：

$$ MSE = \\frac\{1\}\{n\} \\sum\_\{i=1\}^\{n\} (y\_i - \\hat\{y\}\_i)^2 $$

其中，$n$ 是数据点数量，$y\_i$ 是实际值，$\\hat\{y\}\_i$ 是预测值。

梯度下降算法的更新规则如下：

$$ m = m - \\alpha \\frac\{\\partial MSE\}\{\\partial m\} $$

$$ b = b - \\alpha \\frac\{\\partial MSE\}\{\\partial b\} $$

其中，$\\alpha$ 是学习率，$\\frac\{\\partial MSE\}\{\\partial m\}$ 和 $\\frac\{\\partial MSE\}\{\\partial b\}$ 是损失函数对于斜率和截距的偏导数。

### 3.2 逻辑回归 ###

逻辑回归是一种简单的机器学习算法，它用于预测二值类别变量。逻辑回归的目标是找到一个最佳的分类边界，使得该边界可以最佳地将数据分为两个类别。

#### 3.2.1 算法原理 ####

逻辑回归的算法原理是最大化对数似然性（Maximum Likelihood Estimation，MLE）。在逻辑回归中，我们假设数据遵循二项分布，并计算参数（斜率和截距）使得数据的似然性达到最大。

#### 3.2.2 具体操作步骤 ####

1.  准备数据：将数据分为训练集和测试集。
2.  初始化模型参数：在逻辑回归中，模型参数包括截距（Intercept）和斜率（Slope）。
3.  优化模型参数：使用梯度下降算法优化模型参数，以最大化对数似然性。
4.  评估模型性能：使用测试集评估模型性能，并计算准确率（Accuracy）。
5.  预测：使用训练好的模型对新数据进行预测。

#### 3.2.3 数学模型公式详细讲解 ####

逻辑回归的数学模型公式如下：

$$ P(y=1) = \\frac\{1\}\{1 + e^\{-(mx + b)\}\} $$

其中，$y$ 是预测值，$x$ 是输入特征，$m$ 是斜率，$b$ 是截距。

逻辑回归的损失函数是交叉熵损失（Cross-Entropy Loss），它可以表示为：

$$ CE = -\\frac\{1\}\{n\} \\sum\_\{i=1\}^\{n\} \[y\_i \\log(\\hat\{y\}\_i) + (1 - y\_i) \\log(1 - \\hat\{y\}\_i)\] $$

其中，$n$ 是数据点数量，$y\_i$ 是实际值，$\\hat\{y\}\_i$ 是预测值。

梯度下降算法的更新规则如下：

$$ m = m - \\alpha \\frac\{\\partial CE\}\{\\partial m\} $$

$$ b = b - \\alpha \\frac\{\\partial CE\}\{\\partial b\} $$

其中，$\\alpha$ 是学习率，$\\frac\{\\partial CE\}\{\\partial m\}$ 和 $\\frac\{\\partial CE\}\{\\partial b\}$ 是损失函数对于斜率和截距的偏导数。

### 3.3 支持向量机 ###

支持向量机（Support Vector Machine，SVM）是一种强大的机器学习算法，它可以用于解决线性分类、非线性分类、回归等任务。支持向量机的核心思想是将数据映射到高维空间，然后在高维空间中寻找最佳的分类边界。

#### 3.3.1 算法原理 ####

支持向量机的算法原理是最大化边界间距（Maximum Margin）。在支持向量机中，我们将数据映射到高维空间，并寻找最佳的分类边界，使得边界间距达到最大。

#### 3.3.2 具体操作步骤 ####

1.  准备数据：将数据分为训练集和测试集。
2.  初始化模型参数：在支持向量机中，模型参数包括内积核（Kernel）和内积核参数（Kernel Parameter）。
3.  优化模型参数：使用梯度下降算法优化模型参数，以最大化边界间距。
4.  评估模型性能：使用测试集评估模型性能，并计算准确率（Accuracy）。
5.  预测：使用训练好的模型对新数据进行预测。

#### 3.3.3 数学模型公式详细讲解 ####

支持向量机的数学模型公式如下：

$$ y = w^T \\phi(x) + b $$

其中，$y$ 是预测值，$x$ 是输入特征，$w$ 是权重向量，$\\phi(x)$ 是输入特征映射到高维空间的函数，$b$ 是截距。

支持向量机的损失函数是软边界损失（Soft Margin Loss），它可以表示为：

$$ L = \\frac\{1\}\{n\} \\sum\_\{i=1\}^\{n\} \[max(0, 1 - y\_i(w^T \\phi(x\_i) + b))\]^2 $$

其中，$n$ 是数据点数量，$y\_i$ 是实际值。

梯度下降算法的更新规则如下：

$$ w = w - \\alpha \\frac\{\\partial L\}\{\\partial w\} $$

$$ b = b - \\alpha \\frac\{\\partial L\}\{\\partial b\} $$

其中，$\\alpha$ 是学习率，$\\frac\{\\partial L\}\{\\partial w\}$ 和 $\\frac\{\\partial L\}\{\\partial b\}$ 是损失函数对于权重向量和截距的偏导数。

### 3.4 随机森林 ###

随机森林（Random Forest）是一种强大的机器学习算法，它可以用于解决回归、分类等任务。随机森林的核心思想是构建多个决策树，并将它们的预测结果通过平均方法得到最终的预测结果。

#### 3.4.1 算法原理 ####

随机森林的算法原理是通过构建多个决策树，并将它们的预测结果通过平均方法得到最终的预测结果。在随机森林中，我们通过随机选择输入特征和训练样本，来减少过拟合的风险。

#### 3.4.2 具体操作步骤 ####

1.  准备数据：将数据分为训练集和测试集。
2.  初始化模型参数：在随机森林中，模型参数包括决策树数量（Number of Trees）和特征数量（Number of Features）。
3.  构建决策树：使用随机选择输入特征和训练样本，构建多个决策树。
4.  预测：使用训练好的决策树对新数据进行预测，并将预测结果通过平均方法得到最终的预测结果。
5.  评估模型性能：使用测试集评估模型性能，并计算准确率（Accuracy）。

#### 3.4.3 数学模型公式详细讲解 ####

随机森林的数学模型公式如下：

$$ \\hat\{y\} = \\frac\{1\}\{K\} \\sum\_\{k=1\}^\{K\} f\_k(x) $$

其中，$\\hat\{y\}$ 是预测值，$x$ 是输入特征，$K$ 是决策树数量，$f\_k(x)$ 是第$k$个决策树的预测值。

随机森林的损失函数是平均绝对误差（Mean Absolute Error，MAE），它可以表示为：

$$ MAE = \\frac\{1\}\{n\} \\sum\_\{i=1\}^\{n\} |y\_i - \\hat\{y\}\_i| $$

其中，$n$ 是数据点数量，$y\_i$ 是实际值，$\\hat\{y\}\_i$ 是预测值。

## 4.具体代码实例和详细解释说明 ##

在本节中，我们将提供具体的Python代码实例，并详细解释其中的每一步。

### 4.1 线性回归 ###

import numpy as np
    import matplotlib.pyplot as plt
    
    # 准备数据
    x = np.linspace(-1, 1, 100)
    y = 2 * x + 3 + np.random.randn(100)
    
    # 初始化模型参数
    m = np.random.randn(1)
    b = np.random.randn(1)
    
    # 优化模型参数
    alpha = 0.01
    num_iterations = 1000
    for _ in range(num_iterations):
        grad_m = (2 / len(x)) * np.sum(x * (y - (m * x - b)))
        grad_b = (2 / len(x)) * np.sum(y - (m * x - b))
        m = m - alpha * grad_m
        b = b - alpha * grad_b
    
    # 评估模型性能
    x_test = np.linspace(-1, 1, 100)
    y_test = 2 * x_test + 3
    y_pred = m * x_test + b
    plt.scatter(x, y, color='blue', label='Data')
    plt.scatter(x_test, y_test, color='red', label='True')
    plt.plot(x_test, y_pred, color='green', label='Predict')
    plt.legend()
    plt.show()

### 4.2 逻辑回归 ###

import numpy as np
    import matplotlib.pyplot as plt
    
    # 准备数据
    x = np.random.randn(100, 2)
    y = np.round(np.dot(x, [1, 2]) + np.random.randn(100))
    
    # 初始化模型参数
    m = np.random.randn(2, 1)
    b = np.random.randn(1, 1)
    
    # 优化模型参数
    alpha = 0.01
    num_iterations = 1000
    for _ in range(num_iterations):
        grad_m = (1 / len(x)) * np.dot(x.T, (np.dot(x, m) - y + b).T)
        grad_b = (1 / len(x)) * np.sum((np.dot(x, m) - y + b))
        m = m - alpha * grad_m
        b = b - alpha * grad_b
    
    # 评估模型性能
    y_pred = np.round(np.dot(x, m) + b)
    accuracy = np.sum(y_pred == y) / len(y)
    print('Accuracy:', accuracy)

### 4.3 支持向量机 ###

import numpy as np
    import matplotlib.pyplot as plt
    
    # 准备数据
    x = np.random.randn(100, 2)
    y = np.round(np.dot(x, [1, -1]) + np.random.randn(100))
    
    # 初始化模型参数
    kernel = lambda x: np.dot(x, x.T)
    kernel_parameter = 1
    m = np.random.randn(100, 2)
    b = np.random.randn(1, 1)
    
    # 优化模型参数
    alpha = 0.01
    num_iterations = 1000
    for _ in range(num_iterations):
        grad_m = (1 / len(x)) * np.dot(x.T, (np.dot(x, m) - y + b * np.ones(len(x))).T)
        grad_b = (1 / len(x)) * np.sum((np.dot(x, m) - y + b * np.ones(len(x))))
        m = m - alpha * grad_m
        b = b - alpha * grad_b
    
    # 评估模型性能
    y_pred = np.round(np.dot(x, m) + b)
    accuracy = np.sum(y_pred == y) / len(y)
    print('Accuracy:', accuracy)

### 4.4 随机森林 ###

import numpy as np
    import random
    
    # 准备数据
    x = np.random.randn(100, 2)
    y = np.round(np.dot(x, [1, 2]) + np.random.randn(100))
    
    # 初始化模型参数
    num_trees = 10
    num_features = 1
    
    # 构建决策树
    def decision_tree(x, y, num_features):
        if num_features == 0:
            return np.mean(y)
        best_feature_index = np.random.randint(x.shape[1])
        best_feature_value = x[:, best_feature_index].max()
        left_data = x[x[:, best_feature_index] <= best_feature_value, :]
        right_data = x[x[:, best_feature_index] > best_feature_value, :]
        left_target = y[x[:, best_feature_index] <= best_feature_value]
        right_target = y[x[:, best_feature_index] > best_feature_value]
        return np.vstack((decision_tree(left_data, left_target, num_features - 1),
                         decision_tree(right_data, right_target, num_features - 1)))
    
    # 预测
    def predict(x, decision_tree, num_trees):
        predictions = []
        for _ in range(num_trees):
            predictions.append(decision_tree(x, y, num_features))
        return np.mean(predictions, axis=0)
    
    # 评估模型性能
    y_pred = predict(x, decision_tree, num_trees)
    accuracy = np.sum(y_pred == y) / len(y)
    print('Accuracy:', accuracy)

## 5.未来发展与挑战 ##

机器学习是一个非常活跃的领域，未来的发展方向包括但不限于以下几个方面：

1.  深度学习：深度学习是机器学习的一个子领域，它使用多层神经网络来解决复杂问题。深度学习已经取得了很大的成功，例如图像识别、自然语言处理等。未来，深度学习将继续发展，并解决更多复杂问题。
2.  自动机器学习：自动机器学习是一种机器学习方法，它可以自动选择最佳的模型和参数，以优化模型性能。自动机器学习将帮助机器学习工程师更快地找到最佳的模型和参数，从而提高机器学习的效率。
3.  解释性机器学习：解释性机器学习是一种机器学习方法，它可以解释机器学习模型的决策过程，以便更好地理解模型的工作原理。解释性机器学习将帮助机器学习工程师更好地理解模型的决策过程，从而提高模型的可信度。
4.  机器学习的应用：机器学习已经应用于各个领域，例如医疗、金融、物流等。未来，机器学习将继续扩展到更多领域，并解决更多实际问题。
5.  数据和计算资源：机器学习的发展受到数据和计算资源的支持。未来，随着数据的生成和收集、计算资源的不断提高，机器学习将继续发展，并解决更多复杂问题。

## 6.常见问题解答 ##

1.  什么是机器学习？

机器学习是一种人工智能的子领域，它使计算机能够从数据中学习，并自动进行决策。机器学习的目标是使计算机能够像人类一样进行学习、推理和决策。

1.  机器学习的核心概念有哪些？

机器学习的核心概念包括数据集、模型、训练集、测试集、损失函数、优化算法等。这些概念是机器学习的基础，用于解决各种问题。

1.  什么是线性回归？

线性回归是一种简单的机器学习算法，用于解决回归问题。线性回归的目标是找到最佳的直线，使得直线上的点与实际数据点之间的距离最小。

1.  什么是逻辑回归？

逻辑回归是一种简单的机器学习算法，用于解决分类问题。逻辑回归的目标是找到最佳的分类边界，使得边界上的点与实际数据点之间的距离最小。

1.  什么是支持向量机？

支持向量机是一种强大的机器学习算法，可以用于解决线性分类、非线性分类、回归等任务。支持向量机的核心思想是将数据映射到高维空间，然后在高维空间中寻找最佳的分类边界。

1.  什么是随机森林？

随机森林是一种强大的机器学习算法，可以用于解决回归、分类等任务。随机森林的核心思想是构建多个决策树，并将它们的预测结果通过平均方法得到最终的预测结果。

1.  机器学习的算法原理是什么？

机器学习的算法原理是通过训练数据来学习模型的参数，然后使用学习到的模型进行预测。不同的机器学习算法使用不同的训练方法和优化算法来学习模型的参数。

1.  机器学习的具体代码实例和解释说明有哪些？

在本文中，我们提供了线性回归、逻辑回归、支持向量机和随机森林等机器学习算法的具体代码实例，并详细解释了其中的每一步。这些代码实例可以帮助读者更好地理解机器学习的具体实现方法。

1.  机器学习的未来发展和挑战有哪些？

未来，机器学习将继续发展，并解决更多复杂问题。机器学习的未来发展方向包括但不限于深度学习、自动机器学习、解释性机器学习等。同时，机器学习也面临着挑战，例如数据不足、计算资源有限等。

1.  机器学习的数学模型公式是什么？

机器学习的数学模型公式取决于不同的算法。例如，线性回归的数学模型公式是$y = mx + b$，逻辑回归的数学模型公式是$p(y=1|x) = \\frac\{1\}\{1 + e^\{-(mx + b)\}\}$，支持向量机的数学模型公式是$y = w^T \\phi(x) + b$，随机森林的数学模型公式是通过构建多个决策树，并将它们的预测结果通过平均方法得到最终的预测结果。

## 参考文献 ##

\[1\] 机器学习（Machine Learning）：[https://zh.wikipedia.org/wiki/%E6%9C%BA%E5%99%A8%E5%AD%A6%E7%BF%90][https_zh.wikipedia.org_wiki_E6_9C_BA_E5_99_A8_E5_AD_A6_E7_BF_90] \[2\] 线性回归（Linear Regression）：[https://zh.wikipedia.org/wiki/%E7%BA%BF%E6%80%A7%E5%91%98%E5%BD%95][https_zh.wikipedia.org_wiki_E7_BA_BF_E6_80_A7_E5_91_98_E5_BD_95] \[3\] 逻辑回归（Logistic Regression）：[https://zh.wikipedia.org/wiki/%E9%80%BB%E8%BE%91%E5%9D%96][https_zh.wikipedia.org_wiki_E9_80_BB_E8_BE_91_E5_9D_96] \[4\] 支持向量机（Support Vector Machine）：[https://zh.wikipedia.org/wiki/%E6%94%AF%E6%8C%81%E5%90%9B%E6%9C%BA][https_zh.wikipedia.org_wiki_E6_94_AF_E6_8C_81_E5_90_9B_E6_9C_BA] \[5\] 随机森林（Random Forest）：[https://zh.wikipedia.org/wiki/%E9%94%99%E5%8F%A5%E6%A0%B8%E5%8F%A5][https_zh.wikipedia.org_wiki_E9_94_99_E5_8F_A5_E6_A0_B8_E5_8F_A5] \[6\] 机器学习算法原理：[https://zh.wikipedia.org/wiki/%E6%9C%BA%E5%99%A8%E5%AD%A6%E7%BF%90%E7%AE%97%E6%B3%95%E5%8E%9F%E7%90%86][https_zh.wikipedia.org_wiki_E6_9C_BA_E5_99_A8_E5_AD_A6_E7_BF_90_E7_AE_97_E6_B3_95_E5_8E_9F_E7_90_86] \[7\] 机器学习的具体代码实例和解释说明：[https://zh.wikipedia.org/wiki/%E6%9C%BA%E5%99%A8%E5%AD%A6%E7%BF%90%E7%AE%97%E6%9C%AC%E7%9A%84%E5%85%B7%E4%BB%A3%E7%A0%81%E5%AE%9E%E4%BE%8B%E5%92%8C%E8%A7%A3%E9%81%87%E8%AF%B4%E5%8F%B5][https_zh.wikipedia.org_wiki_E6_9C_BA_E5_99_A8_E5_AD_A6_E7_BF_90_E7_AE_97_E6_9C_AC_E7_9A_84_E5_85_B7_E4_BB_A3_E7_A0_81_E5_AE_9E_E4_BE_8B_E5_92_8C_E8_A7_A3_E9_81_87_E8_AF_B4_E5_8F_B5] \[8\] 机器学习的未来发展和挑战：[https://zh.wikipedia.org/wiki/%E6%9C%BA%E5%99%A8%E5%AD%A6%E7%BF%90%E7%9A%84%E7%A7%81%E5%8F%91%E5%B1%95%E5%92%8C%E6%8C%91%E5%88%87][https_zh.wikipedia.org_wiki_E6_9C_BA_E5_99_A8_E5_AD_A6_E7_BF_90_E7_9A_84_E7_A7_81_E5_8F_91_E5_B1_95_E5_92_8C_E6_8C_91_E5_88_87] \[9\] 机器学习的数学模型公式：[https://zh.wikipedia.org/wiki/%E6%9C%BA%E5%99%A8%E5%AD%A6%E7%BF%90%E7%9A%84%E6%95%B0%E5%AD%A6%E6%A8%A1%E5%9E%8B%E5%85%AC%E5%BC%8F][https_zh.wikipedia.org_wiki_E6_9C_BA_E5_99_A8_E5_AD_A6_E7_BF_90_E7_9A_84_E6_95_B0_E5_AD_A6_E6_A8_A1_E5_9E_8B_E5_85_AC_E5_BC_8F] \[10\] 机器学习的参考文献：[https://zh.wikipedia.org/wiki/%E6%9C%BA%E5%99%A8%E5%AD%A6%E7%BF%90%E7%9A%84%E5%8F%82%E6%95%B0%E5%8F%A5][https_zh.wikipedia.org_wiki_E6_9C_BA_E5_99_A8_E5_AD_A6_E7_BF_90_E7_9A_84_E5_8F_82_E6_95_B0_E5_8F_A5]

本文章所有内容均由作者创作，未经作者允许，不得私自转载、复制、违反版权。如需转载，请联系作者获得授权。

[https_zh.wikipedia.org_wiki_E6_9C_BA_E5_99_A8_E5_AD_A6_E7_BF_90]: https://zh.wikipedia.org/wiki/%E6%9C%BA%E5%99%A8%E5%AD%A6%E7%BF%90
[https_zh.wikipedia.org_wiki_E7_BA_BF_E6_80_A7_E5_91_98_E5_BD_95]: https://zh.wikipedia.org/wiki/%E7%BA%BF%E6%80%A7%E5%91%98%E5%BD%95
[https_zh.wikipedia.org_wiki_E9_80_BB_E8_BE_91_E5_9D_96]: https://zh.wikipedia.org/wiki/%E9%80%BB%E8%BE%91%E5%9D%96
[https_zh.wikipedia.org_wiki_E6_94_AF_E6_8C_81_E5_90_9B_E6_9C_BA]: https://zh.wikipedia.org/wiki/%E6%94%AF%E6%8C%81%E5%90%9B%E6%9C%BA
[https_zh.wikipedia.org_wiki_E9_94_99_E5_8F_A5_E6_A0_B8_E5_8F_A5]: https://zh.wikipedia.org/wiki/%E9%94%99%E5%8F%A5%E6%A0%B8%E5%8F%A5
[https_zh.wikipedia.org_wiki_E6_9C_BA_E5_99_A8_E5_AD_A6_E7_BF_90_E7_AE_97_E6_B3_95_E5_8E_9F_E7_90_86]: https://zh.wikipedia.org/wiki/%E6%9C%BA%E5%99%A8%E5%AD%A6%E7%BF%90%E7%AE%97%E6%B3%95%E5%8E%9F%E7%90%86
[https_zh.wikipedia.org_wiki_E6_9C_BA_E5_99_A8_E5_AD_A6_E7_BF_90_E7_AE_97_E6_9C_AC_E7_9A_84_E5_85_B7_E4_BB_A3_E7_A0_81_E5_AE_9E_E4_BE_8B_E5_92_8C_E8_A7_A3_E9_81_87_E8_AF_B4_E5_8F_B5]: https://zh.wikipedia.org/wiki/%E6%9C%BA%E5%99%A8%E5%AD%A6%E7%BF%90%E7%AE%97%E6%9C%AC%E7%9A%84%E5%85%B7%E4%BB%A3%E7%A0%81%E5%AE%9E%E4%BE%8B%E5%92%8C%E8%A7%A3%E9%81%87%E8%AF%B4%E5%8F%B5
[https_zh.wikipedia.org_wiki_E6_9C_BA_E5_99_A8_E5_AD_A6_E7_BF_90_E7_9A_84_E7_A7_81_E5_8F_91_E5_B1_95_E5_92_8C_E6_8C_91_E5_88_87]: https://zh.wikipedia.org/wiki/%E6%9C%BA%E5%99%A8%E5%AD%A6%E7%BF%90%E7%9A%84%E7%A7%81%E5%8F%91%E5%B1%95%E5%92%8C%E6%8C%91%E5%88%87
[https_zh.wikipedia.org_wiki_E6_9C_BA_E5_99_A8_E5_AD_A6_E7_BF_90_E7_9A_84_E6_95_B0_E5_AD_A6_E6_A8_A1_E5_9E_8B_E5_85_AC_E5_BC_8F]: https://zh.wikipedia.org/wiki/%E6%9C%BA%E5%99%A8%E5%AD%A6%E7%BF%90%E7%9A%84%E6%95%B0%E5%AD%A6%E6%A8%A1%E5%9E%8B%E5%85%AC%E5%BC%8F
[https_zh.wikipedia.org_wiki_E6_9C_BA_E5_99_A8_E5_AD_A6_E7_BF_90_E7_9A_84_E5_8F_82_E6_95_B0_E5_8F_A5]: https://zh.wikipedia.org/wiki/%E6%9C%BA%E5%99%A8%E5%AD%A6%E7%BF%90%E7%9A%84%E5%8F%82%E6%95%B0%E5%8F%A5