机器学习建模过程

机器学习建模

机器学习看上去和听上去感觉高大上，但一层层拨开它的面纱就会发现从理解到应用没有那么的困难，下面简单介绍一下我的个人经验。

机器学习分为监督学习和无监督学习，无监督学习里面包含聚类，降维等，监督学习包括分类和回归，个人觉得机器学习里面最重要的库是sklearn

具体有关的参数以及超参都可以查看https://scikit-learn.org/stable/的api。

首先介绍一下我的学习路线，我当时学习机器学习的时候是看唐宇迪的机器学习视频，感觉他讲的非常不错，包括后期学深度学习也看了吴恩达的视频等等。

第一：定计划，列下目前的机器学习方法（线性回归，岭回归，逻辑回归，贝叶斯，决策树，随机森林，lightgbm,xgboost,svm，k_means,pca，aporia关联算法等等）

然后开始计划一周学习一个算法(从理论到实践::其实用不到一周，而且不用全部都学，有的到用的时候再学)

因为机器学习中分类算法用的较多，下面举例分类算法的机器学习处理过程。

数据分析以及预处理

# 1.数据分析
# 分类的0,1分布(一般指二分类)，数据的整体情况等
# 特征的类型，特征的数值分布，特征对类别的分布等
# 特征的空值率，特征的熵，特征的降维，特征的共线性，特征的筛选等
import matplotlib.pyplot as plt
import pandas as pd
df.label.value_counts()
df.info()

#画图
%matplotlib inline
%config InlineBackend.figure_format = 'png'
ax = df.query('Survived == 0')['Age'].plot(kind = 'density',
                      figsize = (12,8),fontsize=15)
df.query('Survived == 1')['Age'].plot(kind = 'density',
                      figsize = (12,8),fontsize=15)
ax.legend(['Survived==0','Survived==1'],fontsize = 12)
ax.set_ylabel('Density',fontsize