机器学习一之基础知识点

机器学习的特点

机器学习的基础特点是从数据中自动分析获得规律，并且利用获取的规律进行预测的算法。也就是说是一个分析数据，总结规律且通过规律去预测别的结果的过程。

特征值与目标值

个人总结：
特征值就是一些事务的特征。目标值就是最终的结果。特征值会影响目标值，而目标值是特征值的最终归属。

监督学习与非监督学习

监督学习：有特征值有目标值
非监督学习：有特征值无目标值

训练集与测试集

训练集(training set/data)/训练样例（training examples): 用来进行训练，也就是产生模型或者算法的数据集
测试集(testing set/data)/测试样例 (testing examples)：用来专门进行测试已经学习好的模型或者算法的数据集
一般情况下，训练集与测试集的比例一般是7:3,6:4,8:2

机器学习的步骤

1、把数据拆分为训练集和测试集
2、用训练集和训练集的特征向量来训练模型
3、用学习来的算法运用在测试集上评估算法

监督学习的分类与算法

（1）分类
决策树 银行信用自动评估系统
临近取样 人脸识别
支持向量机 图片中的红眼检测 结肠癌早晚期分类
神经网络算法 手写数字识别 图片分类
（2）回归
线性回归 销售预测 价格预测
零线性回归

数据类型

按照机器学习的数据分类
标称型：标称型目标变量的结果只在有限目标值中取值，比如说：去、不去（用于分类）
**数值型：**数值型的目标变量的结果在无限的数值集合中取值，比如说：100.1 ，10000.001（用于回归分析）

按照数据本身的分布特性
**离散型：**没有规律，数值只能用自然数或者整数单位计算的，比如公司人数、进球个数或者某个类别
**连续型：**存在规律，在指定的区间内，可以是任何一个数值，比如电影的票房，叶片的大小