机器学习入门

机器学习介绍

        本文只是一个入门级的教程，旨在给大家一个整体宏观上的认识。那什么是机器学习？机器学习中涉及的2个关键角色，分别是数据、模型。而机器学习的过程就是将这些数据应用到模型上，然后不断地优化算法（或调整参数）让模型不断地逼近数据的原始分布。虽然定义不那么精确，但是我觉得这样好理解，一千个人眼中有一千个哈姆雷特，能让自己理解和记忆的定义就是你眼中的哈姆雷特。

机器学习步骤

         这只是一个大致的流程，实际操作中每个步骤又可能包含几个小的步骤，其中最重要的两部分是特征选取和模型训练。

• 数据准备

  一般情况我们得准备3份数据，分别是描述文件，训练数据和测试数据。例如：

  文件	内容与含义
  data_description.txt	描述文件，详细介绍了每一个字段的含义与解释
  train.csv	训练文件
  test.csv	测试文件

• 模型选型

  在机器学习领域，模型的种类非常的多，不仅如此，模型的分类方法也各不相同。

  1、按照拟合能力分类：有线性模型、非线性模型

  2、按预测标的划分：有回归、分类、聚类和挖掘

  3、按模型复杂度分：有经典算法、深度学习

  4、按照模型结构分：有广义线性模型、树模型、神经网络

• 特征选取

  在机器学习领域，与预测标的相关的属性，统称为 “数据特征” （Features），而选择有效特征的过程称为 “特征选择”（Features Selection）。当选好了特征值之后将其拟合成一个特征向量（Feature Vectors），然后再选取一个预测的标的。

• 模型训练

  接下来我们就可以使用训练数据去训练选出来的模型了，模型训练时一个持续不断的过程，训练过程是反复扫描同一份数据，反复进行迭代，不断更新模型中的参数（Parameters ，也叫作权重，Weights），直到模型的预测效果达到一定的标准，才能训练结束。

  关于标准的制定：一方面看对于预测误差的要求；另一方面就是对迭代次数的要求。

  • 模型效果评估

    使用测试数据对模型效果进行验证、评估。对模型效果评估的方式有很多种，如具有代表性的均方根误差（RMSE，Root Mean Squared Error）。