统计机器学习的应用（模式分类的方法）

      机器学习的理论很深奥，但应用起来是比较简单的。

      不管你想用贝叶斯、神经网络、SVM、决策树、线性回归，还是其他什么机器学习方法。你首先要关注两点：

 

      1.选择训练样本

 

      选择正例和反例的样本；如果是多类，那么每类都要选择样本。选择恰当的正反类分类标准，是保证分类满足需求的一个必要条件。 选择样本需要特别注意，样本要比较平均，正反类比例要恰当。

 

      2.选择分类特征

      选择影响分类的特征。例如要对欧洲人、亚洲人做分类，那么我们可以选择皮肤的颜色、眼睛的颜色、语言、身高、体重作为分类的特征。 选择的特征可以尽量多，如果特征太多，我们还可以使用特征选择的方法，来减少特征（降维）。特征选择的方法包括KL变换，最大墒，svm或者gbdt特征选择等。

 

      选好了分类的特征，那么我们要做的就是找一个合适的分类方法。比如贝叶斯或者svm等。如果数据很丰富，那么我们可以选择贝叶斯分类方法；如果数据很少，可以选择svm或者gbdt等方法。

      选择特定的分类方法一定要分析数据。例如分析数据是否符合正态分布？两组数据是否正相关？选择特定的方法都必须要有数据分析来支撑。

      如果要深入理解模式分类，那还是得学习相关的理论了。