机器学习入门概念

入门概念

机器学习核心: 使用算法解析数据，建立模型进行学习，然后对事情进行预测。

机器学习类型: 监督学习，非监督学习，强化学习

• 监督学习：代表为分类与回归。 涉及一组带有标签的数据，将数据划分为特定类。example01：邮件账户过滤器，将邮件分为垃圾邮件与正常邮件。example02：使用标记的数据预测未来的，天气预测。
• 无监督学习：代表为聚类与降维。对没有标签的数据进行降维以及分组。
• 强化学习：使用机器的个人历史经验做决定。没有标签，它是通过环境给出的奖惩来学习。通过不断与环境交互，利用环境给出的奖惩来不断的改进策略（即在什么状态下采取什么动作），以求获得最大的累积奖惩。比如玩五子棋。

回归算法
基于连续变量预测特定结果的监督学习算法，速度快
基于实例算法
KNN比较数据点的距离，并将点分配给它最近的组
决策树算法
弱学习器是随机选择的，通过组合可以获取得一个强预测器。

贝叶斯算法
特征之间相互独立

聚类算法
代表：k-means算法