本文介绍了机器学习的基本流程，包括问题定义、数据收集与预处理、选择模型、训练及超参数调试。重点提及了python中的pandas、numpy、matplotlib、seaborn以及scikit-learn、tensorflow、keras、pytorch等关键库的作用，并概述了数据预处理、模型选择和性能优化的重要性。
目录
python里面包含定义好的数据结构以及很多库函数、方法、模型等（即API）。
我们只需要选择一个合适的框架，通过调用其中的API，编写少量代码就可以快速建立机器学习模型了。
一、机器学习中常用的库
pandas 和 numpy 提供数据结构，支持数学运算；
matplotlib和seaborn用于数据可视化；
4个库提供算法，其中scikit-learn是机器学习框架，tensorflow、keras和pytorch则是深度学习框架。
二、机器学习项目实战架构
（1）问题定义
（2）数据的收集和预处理
收集：有的是自有数据，有的需要去网上爬取，有时候去各种开源数据网站下载......
预处理:
可视化，从各种角度看一看数据；
数据向量化，把原始数据格式化，使得机器可以读取的数字矩阵，将文字转换为one-hot编码，文本类别转换成0、1这样的数值；
处理坏数据和缺失值；
特征缩放,包括数据标准化（standardization）和规范化（normalization）；
特征工程和特征提取；
载入数据集。
（3）选择机器学习模型
线性模型（线性回归、逻辑回归）
非线性模型（支持向量机、k最邻近分类）
基于树和集成的模型（决策树、随机森林、梯度提升树）
神经网络（人工神经网络、卷积神经网络、长短期记忆网络）
（4）训练机器，确定参数
确定内部参数：权重和偏置
超参数：训练和调试过程的参数（迭代多少次，学习率，正则化）
扫一扫
962
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
