机器学习实战(Machine Learning in Action)笔记--Chapter1：机器学习基础

最新推荐文章于 2021-09-09 11:43:33 发布
最新推荐文章于 2021-09-09 11:43:33 发布
阅读量450 收藏
点赞数
分类专栏： 机器学习实战笔记 文章标签： 机器学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/gxynikita/article/details/76084835
版权

Part1 分类

监督学习一般使用两种类型的目标变量：标称型（主要用于分类）、数值型（主要用于回归）。

非均衡分类问题

第1章 机器学习基础

专家系统

训练样本、特征、目标变量（分类问题中为类别）

训练数据和测试数据

知识表示

  • 监督学习：分类、回归
  • 无监督学习
    • 将数据集合分成由类似的对象组成的多个类的过程被称为聚类
    • 将寻找描述数据统计值的过程称之为密度估计
  • 监督学习的用途：k-近邻算法、朴素贝叶斯算法、支持向量机、决策树、线性回归、局部加权线性回归、Ridge回归、Lasso最小回归系数估计
  • 无监督学习的用途：K-均值、DBSCAN、最大期望算法、Parzen窗设计

如何选择合适的算法

  1. 使用机器学习算法的目的，想要算法完成何种任务，比如是预测明天下雨的概率还是对投票者按照兴趣分组；
  2. 需要分析或收集的数据是什么

首先考虑使用机器学习算法的目的。如果想要预测目标变量的值，则可以选择监督学习算法，否则可以选择无监督学习算法。确定选择监督学习算法之后，需要进一步确定目标变量类型，如果目标变量为离散型，则可以选择分类算法；如果目标变量是连续型的数值，则需要选择回归算法。

如果不想预测目标变量的值，则可以选择无监督学习算法。进一步分析是否需要将数据划分为离散的组。如果这是唯一的需求，则使用聚类算法；如果还需要估计数据与每个分组的相似程度，则需要使用密度估计算法。

其次需要考虑的是数据问题，应该充分了解数据，对实际数据了解得越充分，越容易创建符合实际需求的应用程序。主要应该了解数据的以下特性：特征值是离散型变量还是连续型变量，特征值中是否存在缺失的值，何种原因造成缺失值，数据中是否存在异常值，某个特征发生的频率如何（是否罕见得如同海底捞针）等等。充分了解上面提到的这些数据特性可以缩短选择机器学习算法的时间。

一般来说发现最好算法的关键环节是反复试错的迭代过程。

开发机器学习应用程序的步骤

（1）收集数据
（2）准备输入数据
（3）分析输入数据
（4）训练算法
（5）算法测试
（6）使用算法

Python语言的优势

（1）Python的语法清晰
（2）易于操作纯文本文件
（3）使用广泛，存在大量的开发文档

  • SciPy和NumPy等许多科学函数库都实现了向量和矩阵操作。
  • Python的科学工具可以与绘图工具Matplotlib协同工作。Matplotlib可以绘制2D、3D图形，也可以处理科学研究中经常使用到的图形。
  • Python开发环境还提供了交互式Shell环境，允许用户开发程序时查看和检测程序内容。
  • Python开发环境将来还会集成Pylab模块，将NumPy、SciPy和Matplotlib合并为一个开发环境。

Python语言唯一的不足是性能问题。

Numpy函数库基础


from num import *   #将NumPy函数库中的所有模块引入当前的命名空间

random.rand(4,4)    #构造一个4*4的随机数组

randMat = mat(random.rand(4,4)  #调用mat()函数将数组转化为矩阵

randMat.I   #矩阵求逆

invRandMat = randMat.I

randMat*invRandMat  #结果应该是单位矩阵

myEye = randMat*invRandMat

myEye - eye(4)  #eye(4)创建4*4的单位矩阵

本系列笔记所涉及的知识、数据等信息的版权归原书作者所有，请购买正版图书。O(∩_∩)O谢谢~

参考资料：机器学习实战

笨笨的粽子妞
关注
专栏目录
机器学习实战_Machine_Learning_in_Action.pdf
09-14
机器学习实战_Machine_Learning_in_Action.pdf
《Machine.Learning.in.Action》pdf
weixin_30687587的博客
07-19 358
下载地址：网盘下载 下载地址：网盘下载 转载于:https://www.cnblogs.com/cf1774575641/p/9333545.html
《机器学习实战》--资料下载和运行环境
u014410989的专栏
04-10 2018
《机器学习实战》–学习笔记–资料下载和运行环境 经典书+配套Python代码=实战 英文原版的官方网站有本书配套的Python代码： https://www.manning.com/books/machine-learning-in-action 使用jupyter notebook整理的peter的《机器学习实战》代码，加了注释，代码也稍做修改。 https://github.com/TingN...
Machine Learning In Action pdf
07-28
Machine Learning In Action filetype:pdf 机器学习的python实践
机器学习笔记-Chapter 1 – The Machine Learning landscape
最新发布
02-13
机器学习笔记 Chapter 1 – The Machine Learning landscape 本篇属于概念性笔记，代码在后几章的学习中会总结出来
Machine-Learning-in-Action-Python3:《机器学习实战》的python3
03-22
机器学习在实践中Python3本人是西安电子科技大学的一名研二在读学生，在学习机器学习的过程中拜读了王斌老师翻译的《机器学习实战》一书，书中对算法的原理以及编程实现进行了详细的介绍。机器学习实战一书中的代码...
machine-learning-in-java:机器学习和统计
03-31
machine-learning-in-java:机器学习和统计
Machine-Learning-In-Action:机器学习实战源代码
03-23
行动中的机器学习 这是与Manning Inc.出版的Peter Harrington所著的“机器学习在行动”一起使用的源代码。该书的官方页面可以在这里找到： : 所有代码示例均在Python 2.6上运行，而2.7应该没有任何问题。 大多数...
Machine-Learning-in-Action:机器学习实践
03-23
机器学习在行动机器学习实践源码的Python版本：Python 3.6.2 :: Anaconda，Inc.
Machine Learning in Action.pdf
07-30
Machine Learning in Action is unique book that blends the foundational theories of machine learning with the practical realities of building tools for everyday data analysis. You'll use the flexible Python programming language to build programs that implement algorithms for data classification, forecasting, recommendations, and higher-level features like summarization and simplification. About the Book A machine is said to learn when its performance improves with experience. Learning requires algorithms and programs that capture data and ferret out the interesting or useful patterns. Once the specialized domain of analysts and mathematicians, machine learning is becoming a skill needed by many. Machine Learning in Action is a clearly written tutorial for developers. It avoids academic language and takes you straight to the techniques you'll use in your day-to-day work. Many (Python) examples present the core algorithms of statistical data processing, data analysis, and data visualization in code you can reuse. You'll understand the concepts and how they fit in with tactical tasks like classification, forecasting, recommendations, and higher-level features like summarization and simplification. Readers need no prior experience with machine learning or statistical processing. Familiarity with Python is helpful. What's InsideA no-nonsense introduction Examples showing common ML tasks Everyday data analysis Implementing classic algorithms like Apriori and Adaboos =================================== Table of ContentsPART 1 CLASSIFICATION Machine learning basics Classifying with k-Nearest Neighbors Splitting datasets one feature at a time: decision trees Classifying with probability theory: naïve Bayes Logistic regression Support vector machines Improving classification with the AdaBoost meta algorithm PART 2 FORECASTING NUMERIC VALUES WITH REGRESSION Predicting numeric values: regression Tree-based regression PART 3 UNSUPERVISED LEARNING Grouping unlabeled items using k-means clustering Association analysis with the Apriori algorithm Efficiently finding frequent itemsets with FP-growth PART 4 ADDITIONAL TOOLS Using principal component analysis to simplify data Simplifying data with the singular value decomposition Big data and MapReduce
InAction系列书籍
04-07
struts in action,hibernate in action,spring in action,webwork in action，英文版
In Action系列技术书籍
09-30
提供IN Action系列的技术教材：Spring.in.Action.3rd，Restlet in Action，OSGi in Action等等。
《 机器学习实战》（Machine Learning in Action) 一书 中的错误之处（内容、代码）
指尖舞语千秋的专栏
05-16 2841
最近在学 机器学习，发现此书有错误的地方，写成博客，方便以后查找。（慢慢更新中……）
《Machine Learning in Action》—— 懂的都懂，不懂的也能懂。非线性支持向量机
Taoye | 玩世不恭的Coder
11-23 342
说在前面： 前几天，公众号不是给大家推送了第二篇关于决策树的文章嘛。阅读过的读者应该会发现，在最后排版已经有点乱套了。真的很抱歉，也不知道咋回事，到了后期Markdown格式文件的内容就解析出现问题了，似乎涉及到Latex就会多多少少排版错乱？？？暂时也没什么比较好的解决办法，如果有朋友知道的可以联系下Taoye，长时间用Markdown + Latex码文已成习惯了，关于机器学习文章的内容，更好的阅读体验，大家可以跳转至我在Cmd Markdown平台发布的内容，也可前往我的掘金主页，阅读体验都是不错的，
小白学习Machine Learning in Action-机器学习实战------决策树
HelloWorld
08-27 956
书中说：k近邻算法可以完成很多分类任务，但它最大的缺点就是无法给出数据的内在含义，决策树的主要优势就在于数据形式很容易理解。决策树可以使用不熟悉的数据集合，并从中提取出一系列规则，机器学习算法最终使用这些机器从数据集中创造的规则。 决策树算法的学习分为如下几个步骤： 一、从数学上讨论如何划分数据集。 划分数据就要找到其决定性作用的特征，即分类效果最好的那个特征，所以要逐个评估每一个特征。完成
机器学习资料复刻
weixin_48642879的博客
09-09 532
资料复刻，原文件请见原文章链接 网站地址 组织构建 GitHub Pages(国外): https://ailearning.apachecn.org Gitee Pages(国内): https://apachecn.gitee.io/ailearning 第三方站长 地址A: xxx (欢迎留言，我们完善补充) 下载 Docker docker pull apachecn0/ailearning docker run -tid -p <port>:80 apachecn0/ai
实战机器学习：Machine Learning in Action解析
"Machine Learning in Action 是一本由Peter Harrington编著的关于机器学习的最佳实践书籍，由Manning出版社出版。本书深入浅出地探讨了机器学习的实际应用，并涵盖了人工智能的相关主题。" 《Machine Learning in ...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值