【机器学习】机器学习基础

一、机器学习概述

1、机器学习算法的判别依据 —— 数据类型

1. 离散型数据：由记录不同类别个体的数目所得到的数据，又称计数数据，所有这些数据全部都是整数，而且不能再细分，也不能进一步提高它们的精确度。
2. 连续型数据：变量可以在某个范围内任取一数，即变量的取值可以是连续的，如长度、时间、质量值等，这类整数通常是非整数，含有小数部分。

注：离散型是区间内不可分，连续型是区间内可分。

数据的类型将是机器学习模型不同问题不同处理的依据。

机器学习算法的分类

1、监督学习（预测）：可以由输入数据中学到或建立一个模型，并依此模式推测新的结果。**输入数据是由特征值和目标值所组成。**函数的输出可以是一个连续的值（称为回归），或是输出有限个离散值（称作分类）。

• 分类：是监督学习的一个核心问题，在监督学习中，当输出变量取有限个离散值时，预测问题变成分类问题。最基础的便是二分类问题，即判断是非，从两个类别中选择一个作为预测结果。
  主要算法有：K-近邻算法、贝叶斯分类、决策树与随机森林、逻辑回归、神经网络（目标值离散型）
• 回归：回归用于预测输入变量和输出变量之间的关系，输出是连续型的值。