机器学习笔记

        机器学习是一门入门容易但精通难的学科

机器学习分析人员需要掌握行业知识以了解业务流程、理解数据背后的隐含信息以合理解

读数据、从变化的角度和时间维度把握需求以确定使用哪些数据，这是数据分析的基础

机器学习的主要流程是 明确分析目标、数据收集、数据预处理、建模分析、结果评估、部

署使用以及学习更新

      明确数据分析目标是机器学习首要的重要步骤，这个步骤需

要与用户进行充分的沟通。 项目主题：中国移动客户细分模型

项目范围：本期项目以乐山市为试点城市

项目目的：按用户行为进行细分，客观反映用户需求。通过

对各类人群的深入分析，为相关部门制订资费、服务、市场

策略提供基础。

项目内容：

建立客户细分模型

结合各部门需求对客户细分群进行详细分析

协助市场经营部进行相关服务、市场活动的策划

        算法本身没有绝对的好坏，不同的机器学习算法都有各自的

使用范围。

选择合适的建模方法或算法，算法的好坏需要实验比较确定。

此阶段是机器学习的核心部分，使用精巧复杂的分析方法从

数据中提取知识，包括选择建模技术、生成测试设计以及构

建和评估模型。

算法调优（包括参数或结构等方面）

机器学习算法是科学，应用是艺术

        有效的机器学习结果会改善客户业务决策的效果，给客户带

来价值。

因为业务可能发生变化，在部署过程中需要更新机器学习的

模型等。

机器学习不是一劳永逸的事情（递增式学习）。

        回归分析是分析一个变量与其他一个（或几个）

变量之间的相关关系的统计方法。

分类 就是通过分析训练集中的数据，为每个类

别做出准确的描述或建立分析模型或挖掘出分

类规则，然后用这个分类规则对其它数据对象

进行分类。

决策树、支持向量机、神经网络、朴素贝叶斯、

Bayes网络、k-最近邻 等是几种常用的分类方法。

          统计学习理论强调从数据中学

习，通过估计数据的概率分布 来构建预测模型，实现知识发 现。 较大的样本规模能够提供更多

的信息，使得学习到的模型更 为准确和泛化能力强。

         生成模型 如朴素贝叶斯、隐马尔可夫模型等，通过学习数据的 联合概率分布来生成新数据，能揭示数据间的内在关系。决策 边界

判别模型如支持向量机、逻辑回归等，直接学习不同类别间的 最优决策边界，对分类问题高效且准确。者各有适用场景 生成模型适用于数据生成、异常检测等场景， 而判别模型在分类任务中表现优越，具体选择需基于数据特性 和任务需求