用python轻松理解机器学习

概述

一. 机器学习的四个分支

1.监督学习，主要有分类和回归，还有其他变体(序列生成、语法树预测、目标检测、图像分割)。
2.无监督学习

• 目的：数据可视化、数据压缩、数据去噪、更好地理解数据中的相关性
• 方法：降维和聚类

3.自监督学习：是没有人工标注的标签的监督学习，可以将它看作没有人类参与的监督学习。标签 仍然存在（因为总要有什么东西来监督学习过程），但它们是从输入数据中生成的，通常是使用启发式算法生成的。
比如，自编码器，它生成的目标就是未经修改的输入。还有，给定视频中过去的帧来预测下一帧，或者给定文本中前面的词来预测下一个词，都是自监督学习的例子（也属于时序监督学习）。
4.强化学习：智能体接收有关其环境的信息，并学会选择使某种奖励最大化的行动。

二.评估机器学习模型（降低过拟合以及将泛化能力最大化）

1.简单的留出验证

代码清单4-1　留出验证

num_validation_samples = 10000
#打乱数据
np.random.shuffle(data) 
#定义验证集
validation_data = data[:num_validation_samples]
data = data[num_validation_samples:]
#定义训练集
training_data = data[:]
model = get_model()
model.train(training_data)
validation_score = model.evaluate(validation_data)
# 现在你可以调节模型、重新训练、评估，然后再次调节……
model = get_model()
model.train(np.concatenate([training_data,
validation_data]))
test_score = model.evaluate(test_data)