机器学习主要任务概览

机器学习主要任务概览

机器学习的真实含义是利用计算机彰显数据背后的真实含义，把无序的数据转换成有用的信息。智能手机通常带有三轴磁力计、偏航率陀螺仪、三轴加速计、温度传感器和GPS接收器等传感器，方便收集海量数据。（注：本文知识点总结来源于《机器学习实战》第1章 机器学习基础）

一、机器学习主要分为：

1. 监督学习：1）分类（目标变量通常为标称型，即离散有限集合，特征或属性—>类别） 2）回归（目标变量通常为连续型，即连续无限集合）；
   主要用于预测目标变量的值。
   之所以称之为监督学习，是因为这类算法必须知道目标变量的分类信息。
2. 非监督学习：1）聚类 2）密度估计；
   若不需要预测目标变量的值，且唯一需求是将数据划分为离散的组，则使用聚类；
   若还需要估计数据与每个分组的相似程度，则使用密度估计算法。

二、开发机器学习应用的主要步骤
3. 收集数据
4. 分析数据（确保数据集中没有垃圾数据）
5. 数据预处理
6. 训练算法（无监督学习通常跳过此步骤）
7. 测试算法
8. 使用算法