机器学习的算法与流程

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。

机器学习的流程

1.明确数据分析目标

2.数据收集

3.数据预处理

4.数据建模

5.效果评估

6.部署使用 更新

机器学习的算法

1.分类算法；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。

常用分类算法典型应用；支持向量机，决策树，Bayesian网络.

2.聚类算法；聚类就是把整个数据分成不同的组，并使组与组之间的差距尽可大，组内数据的差异尽可能小。

常用聚类算法典型应用；K-means

层次聚类（Hierarchical Method）

BIRCH（Balanced Iterative Reducing and Clustering Using Hierarchies）

CURE（Clustering Using Representatives）

基于划分的聚类

K均值（K-Means）

基于密度的聚类

DBSCAN（Density-based spatial clustering of applications with noise）

OPTICS（Ordering Points To Identify the Clustering

3.回归分析；是一种研究自变量和因变量之间关系 的预测模型，用于分析当自变量发生变化时， 因变量的变化值。

4推荐算法；基于内容的推荐 算法应用场景： 适用于物品具有 丰富属性信息的场景，如文章、 新闻、文档等。

机器学习常见问题

1.数据质量问题与预处理

2.机器学习常见陷阱

3.机器学习方法的选择

4.机器学习结果的评价