机器学习简单入门

机器学习简述

一.机器学习的分类

1.有监督学习简述

有监督学习是指通过输入（Y，X）这种一一对应的数据格式，根绝大量的这种数据建立一个数学模型，随后只需要输入X值，就可以得到一个预测的Y值。

常见的有监督学习算法可以分为回归算法和分类算法两种。
分类算法：分类算法应用于预测结果为离散型数据的场景，即所有可能的Y值是离散型，0-1，true-false此类。

回归算法：回归算法应用于预测结果为连续性数据的场景，即预测结果为一个区间内的任意数值，如预测价格 ，温度。

相似度学习是跟回归和分类都有关系的一种监督学习，他的目标是使用相似度函性从样本中学习，这个函数可以度量两个对象中的相似度。

2.无监督学习简述

无监督学习是指输入只有X这种单独的数据格式，我们需要根据X本身隐藏的特征信息，和大量输入的X之间的相关性信息进行处理的一种机器学习过程。

只有输入，根据数据本身属性的差异进行划分，先有结果再有概念，即根据数据之间的tag差异，把相同类型的数据放在一起，然后再赋予这个群体抽象的概念，如聚类。

3.强化学习简述

通过环境交互并获取延迟返回进而改进型为的学习过程

二.模型评估策略

1.模型评估

• 训练集和测试集：将原始数据分为两部分，即训练集和测试集合，将通过训练集训练出来的模型，再用测试集跑一跑，查看误差大小。

• 损失函数：用来衡量模型预测误差的大小，每一个输入x，对应一个y，通过模型f运算之后，输出为f(x),f(x)和y的差异则成为损失函数，记作L(y,f(x))，损失函数越小，模型越优秀。

    常见的损失函数：
      · 0-1损失函数：没有误差为0，有误差为1。
      · 平方损失函数：L(y,f(x))