- 训练集:为算法输入大量已分类数据作为算法的训练集。
- 目标变量:是机器学习算法的预测结果,在分类算法中目标变量的类型通常是标称型、离散型的,而在回归算法中通常是连续型的。
- 分类(Classification)和回归(Regression),分类的任务,将数据划分到合适的分类中。回归的任务,用于预测数值型数据,回归的例子–数据拟合曲线。
- 监督学习:分类和回归通常属于此类学习,这类算法必须知道预测什么,即目标变量的分类信息。
- 无监督学习:数据没有类别信息,也不给定目标值。在无监督学习中,将数据集合分成由类似的对象组成的多个类的过程称为聚类。将寻找描述数据统计值的过程称之为密度估计。无监督学习还可以减少数据特征的维度。
- 开发机器学习应用程序的步骤:
- 1、收集数据(爬虫、RSS、物联网);
- 2、准备输入数据(为机器学习准备特定的数据格式);
- 3、分析输入数据(空值、数据模式、异常值、图形展示数据),确保数据集中没有垃圾数据;
- 4、训练算法(从格式化数据中抽取知识和信息),无监督学习,由于数据中没有目标变量值,不需训练算法;
- 5、测试算法;
- 6、使用算法。
[完]机器学习实战 第一章 机器学习基础(Maching Learning Foundation)
最新推荐文章于 2018-11-27 09:23:11 发布