当数据比较的充分,问题的逻辑依赖于多个变量,且逻辑关系比较的复杂的时候,基于数据构建机器学习算法,将是潜在的有效解决问题的方案。在自己工作的过程中,随着需求的扩展,开始涉及到机器学习算法,本文是自己初入机器领域后的一些思考,记录下来,方便自己迭代思考。
想象一下使用机器学习的场景,手里有着一堆的数据,目标是通过这个数据找到一个对应,分类问题就是根据数据对应到类别上,回归问题就是根据数据对应到值上。这是你应该明白了,机器学习就是在构建一个函数,这个函数能够实现从数据集合映射到目标集合。对于函数,从我们初中的时候就已经接触,函数的这种映射概念,高中便已经进行了较为深刻的定义和应用。因此从这个角度来讲,机器学习就是构建一个我们很熟悉的概念,函数。其实我们很早就学习相关的知识。还记的开普勒三大定律吗,开普勒的三大定律正是从第谷的观测数据中整理出来,开普勒用了十年的时间,总结出来了三大定律,而后牛顿站在巨人的肩膀上,提出了万有引力定律,一个公式就就将所有的数据涵盖在内。因此,我一直认为,这种数学表述的规律是最简洁,高效,优美的。
那么当你面对第谷的一堆数据的时候,你去总结规律,构建函数应该怎么做呢?第一步是确定输入输出变量,数据肯定有很多的值,你构建的时候,一般会选择其中的一部分,甚至是最开始的时候可能选择其中的一个。然后你会分析这个变量和输出变量的关系,猜测是正弦,平方,次方,还是反比关系,然后使用数据验证。不断的尝试,猜测,验证,不断的迭代,最终构建出一个正确的函数