机器学习流程

几个基本概念

数据

数据时对现实世界的现象的观测

任务

收集数据的目的是因为有些问题需要靠数据找出答案

由数据得到答案的过程有着复杂的路径,但是这个过程包括两个构成机器学习基础的数学实体:模型特征

模型

数据的数学模型描述了数据不同部分之间的关系。

例如股票价格的模型可以是一个公式,它将公司的收入历史、过去的股票价格和行业映射为预测的股票价格。

数学公式将数值型的变量联系起来,但原始数据经常不是数值型。
(例如,爱丽丝在星期三购买了《指环王》三部曲这一行为就不是数值型的,她随后对这本书发表的评价也不是数值型的)
必须有个东西将这二者联系起来,这就是特征的用武之地

特征

特征是原始数据的数值表示,有多种方法可以将原始数据转换为数值型的表示,所以特征可以有多种形式。

特征也和模型相关联,有些模型更适合使用某种类型的特征,反之亦然。

特征工程就是在给定数据、模型和任务的情况下设计出最合适的特征的过程。

特征的数量也非常重要,如果没有足够的有信息量的特征,那么模型将不能完成最终的任务。

如果特征过多,或者多数特征不适合,那么模型将很难训练而且成本高昂

模型评价

特征和模型位于原始数据和我们想得到的知识之间。
在这里插入图片描述

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值