DataWhale集成学习Task1--机器学习的三大主要任务

机器学习的三大主要任务

摘要：机器学习在人工智能中一直是一个很热门的概念，那么什么是机器学习呢？今天就来好好了解一下机器学习机器学习的三大主要任务吧

概论

机器学习的一个重要的目标就是利用数学模型来理解数据，发现数据中的规律，用作数据的分析和预测。这里说的数据数据，一般是由一组向量组成的，其中的每一个向量就是一个样本。一个样本通常包括p+1个维度，前p个维度 我们称之为特征，最后一个维度我们称之为因变量。而特征与因变量的关系是：特征是用来描述影响因变量的的因素，比如：我们研究温度对苹果成熟的影响时，温度就是一个特征，而苹果成熟就是一个因变量。通常一个数据表DataFrame里，一行表示一个样本，一列表示一个特征。

而根据是否有因变量，机器学习任务可以简单地划分为：有监督学习与无监督学习；而根据因变量是否连续，有监督学习又分为回归和分类两类问题：

在学习机器学习中，我们经常使用scikit-learn简称sklearn工具库来探索机器学习项目，下面我们开始使用sklearn来演示这几个具体的概念：（在开始之前，需要先导入相应的科学计算包）

# 引入相关科学计算包
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
%matplotlib inline 
plt.style.use("ggplot")      
import seaborn as sns

回归

回归的因变量是连续型变量，如股票价格，身高等等，我们以sklearn内置数据集Boston房价数据集为例子

from sklearn import datasets
boston = datasets.load_boston()     # 返回一个类似于字典的类
X = boston.data						# data:特征X的矩阵(ndarray)
y = boston.target					# target:因变量的向量(ndarray)
features = boston.feature_names		# feature_names:特征名称(ndarray)
boston_data = pd.DataFrame(X,columns=features)
boston_data["Price"] = y
boston_data.head()

	CRIM	ZN	INDUS	CHAS	NOX	RM	AGE	DIS	RAD	TAX	PTRATIO	B	LSTAT	Price
0	0.00632	18.0	2.31	0.0	0.538	6.575	65.2	4.0900	1.0	296.0	15.3	396.90	4.98	24.0
1	0.02731	0.0	7.07	0.0	0.469	6.421	78.9	4.9671	2.0	242.0	17.8	396.90	9.14	21.6
2	0.02729	0.0	7.07	0.0	0.469	7.185	61.1	4.9671	2.0	242.0	17.8	392.83	4.03	34.7
3	0.03237	0.0	2.18	0.0	0.458	6.998	45.8	6.0622	3.0	222.0	18.7	394.63	2.94	33.4
4	0.06905	0.0	2.18	0.0	0.458	7.147	54.2	6.0622	3.0	222.0	18.7	396.90	5.33	36.2

sns.scatterplot(boston_data['TAX'],boston_data['Price'],color="r",alpha=0.6)
plt.title("Price~TAX")
plt.show()

我们可以看到，这里样本为TAX：全部价值的房产税率(每1万美元)，因变量为波士顿房价Price是一个连续型变量，所以这是一个回归的例子。

分类

我们来看看一个分类的典型例子：iris鸢尾花数据集：

from sklearn import datasets
iris = datasets.load_iris()
X = iris.data
y = iris.target
features = iris.feature_names
iris_data = pd.DataFrame(X,columns=features)
iris_data['target'] = y
iris_data.head()

	sepal length (cm)	sepal width (cm)	petal length (cm)	petal width (cm)	target
0	5.1	3.5	1.4	0.2	0
1	4.9	3.0	1.4	0.2	0
2	4.7	3.2	1.3	0.2	0
3	4.6	3.1	1.5	0.2	0
4	5.0	3.6	1.4	0.2	0

特征可视化，横纵坐标分别为花瓣的长度和宽度

# 可视化特征
marker = ['s','x','o']
for index,c in enumerate(np.unique(y)):
    plt.scatter(x=iris_data.loc[y==c,"sepal length (cm)"],y=iris_data.loc[y==c,"sepal width (cm)"],alpha=0.8,label=c,marker=marker[c])
plt.xlabel("sepal length (cm)")
plt.ylabel("sepal width (cm)")
plt.legend()
plt.show()

从可视化特征可以看出，数据集中有3种不同类型的鸢尾花。因此因变量是个类别变量，这是一个分类问题。

无监督学习

sklearn.datasets模块提供了用于加载数据集的实用程序，包括用于加载和获取流行的参考数据集的方法，以下面这一种为例：

#在2d平面中制作一个包含较小圆圈的大圆圈。
from sklearn import datasets
x, y = noisy_circles = datasets.make_circles(n_samples=1500, factor=.5,
                                      noise=.05)
for index,c in enumerate(np.unique(y)):
    plt.scatter(x[y==c, 0], x[y==c, 1],s=7)
plt.show()

总结

Task1深入浅出地讲解了机器学习的基础，有监督，无监督，回归，分类等等，必须准确把握这些概念，才能在接下来的学习中灵活运用