机器学习（十五）零碎和总结

机器学习（十五）零碎和总结

一些大体轮廓学完之后，有一些细小的知识点补充一下。顺便做一下阶段性的总结。

一.降维，分类，回归，聚类的使用情况

sklearn官方为我们画了一张图，很好的说明了这个问题。不难看出，什么时候使用什么样的算法，受到数据集大小的影响

二.模型的保存和导入

在实际工作当中，经常会遇到使用以前已经跑过的模型的情况，显然，这个时候，你并不需要把之前训练的模型再重新训练一遍。这个时候就需要两个方法：

• 当跑完一个模型，你想保存下来：

  from sklearn.externals import joblib
  lr = LinearRegression()
  """
  ……省略若干代码
  """
  # 保存训练好的模型
  joblib.dump(lr, "./tmp/test.pkl")
  
  

• 当下次你想用这个模型的时候：

  std_y = StandardScaler()
  """
  ……省略若干代码
  """
  model = joblib.load("./tmp/test.pkl")
  y_predict = std_y.inverse_transform(model.predict(x_test))
  

三.线性回归与逻辑回归的对比

算法	策略（误差估计）	优化方法
线性回归	误差平方、最小二乘法	正规方程、梯度下降
逻辑回归	对数似然损失	梯度下降

四.阶段总结

1.基本的一些名词和概念

2. 特征工程

3.监督学习

4.非监督学习