机器学习，模型训练流程

机器学习流程，算法部分主要说明经典算法

    1.获取数据

    2.数据基本处理--对数据进行缺失值, 去除异常值处理

    3.特征工程:

        特征提取---对杂乱的数据进行转换

        特征预处理-对数据进行相同量纲处理

        特征降维---减少特征个数

    4.模型训练: 使用算法对模型进行训练

        1.监督学习--有特征值, 有目标值(目标值连续/离散)

            回归--线性回归, 岭回归

            分类--逻辑回归, k邻近算法, 决策树, 贝叶斯分类, 神经网络

        2.半监督学习, 

        3.强化学习是半监督学习还是无监督学习? 动态规划, 马尔科夫决策

        4.无监督学习

            聚类--kmeans

    5.模型评估--由于主要学习监督学习, 所以评估包括

        1.分类模型评估

            准确率

            精确率

            召回率

            F1-score

            AUC指标

        2.回归模型评估

            均方根误差,RMSE, root mean squared error

            相对平方误差,RSE, relative squared error

            平均绝对误差,MAE, mean absolute error

            相对绝对误差,RAE, relative absolute error

            决定系数, 

    无监督/半监督/强化学习的模型评估没有!!!

 

 

## 机器学习前三部分, 都是对数据的处理,为什么重视对数据的处理?

数据和特征决定了机器学习的上限,算法和模型只是逼近这个上限