[机器学习实战学习笔记]-1机器学习基础

第一章 机器学习基础

1.监督学习

知道预测什么，即目标变量的分类信息。监督学习大致分成分类和回归。
分类主要用于预测离散型的数据，如0/1，红/黑/白。主要算法有：K-近邻算法、朴素贝叶斯算法、支持向量机、决策树；
回归主要用于预测数值型数据，如拟合曲线用的就是回归。常见的回归算法有：线性回归、局部加权线性回归、Ridge回归、Lasso最小回归系数估计等

2.无监督学习

数据没有类别信息，也不会给定目标值。主要分成聚类、密度估计。
聚类：将数据集合分成由类似的对象组成的多个类的过程称为聚类。常见算法：K-均值、DBSCAN
密度估计：寻找描述数据统计值的过程。常见算法：最大期望算法、Parzen窗设计。

3.选择合适的算法

必须考虑两个问题：一 使用机器学习算法的目的，想要完成什么任务 二 需要分析或收集的数据是什么

4.开发机器学习应用程序的步骤

（1）收集数据
（2）准备输入数据，处理为符合要求的数据
（3）分析输入数据：是否有空值，异常值，垃圾数据
（4）训练算法 只有监督学习才有
（5）测试算法
（6）使用算法

5.Numpy函数库基础

from numpy import *
random.rand(4,4)
#构造一个4*4的随机数组array

array([[0.58421872, 0.84197611, 0.08829928, 0.40480934],
       [0.49771231, 0.24153627, 0.80907128, 0.01716803