机器学习，看完就明白了

1 机器学习分类

• 传统机器学习
  机器学习可以理解成是生产算法的算法。需要人来先做特征提取，然后在把特征向量化后交给机器去训练。
  传统机器学习分为 监督学习 和 无监督学习。

• 深度学习
  深度学习是基于深度神经网络的学习（DNN）。深度学习可以自动提取特征。深度学习可以采用 End-to-End 的学习方式，只需要进行很少的归一化和白化，就可以将数据交给模型去训练。

2 机器学习中的一些概念

首先我们需要了解几个机器学习中的起码要知道是怎么回事的概念，了解了后面看代码才不会一脸懵逼。

• 训练样本
  就是用于训练的数据。包括了现实中的一些信息数据，以及对应的结果，也就是标签。

• 训练
  对训练样本的特征进行统计和归纳的过程。

• 分类模型
  总结出的特征，判断标准。

• 验证
  用测试数据集验证模型是否正确的过程。这个过程是在模型训练完后进行的，就是再用另外一些样本数据，代入到模型中去，看它的准确率如何。

2.1 聚类

聚类 是一种典型的 无监督学习 ，是把数据进行分类的过程。

进行聚类的基本思想是，利用 向量 之间的距离 —— 空间中的 欧式距离 或 曼哈顿距离 ， 根据距离的大小判断对象是否应该归为同一类别。

上图是对3个一维向量分类的例子。明显的能看到，离得近的两个们可以近似的认为它们属于同一类别。

2.2 回归

回归简单的说就是一个 由果索因 的过程。这是机器学习中很常用的一个手段。

回归分为：

1. 线性回归
2. 非线性回归

实际使用那种回归模型，需要根据情况而定。

2.2.1 线性回归

线性回归模型：

其中 w 是一个特征张量，储存着与每个变量x中元素对应的特征元素，x 就是输入的训练数据张量，b 是一个偏置量。

这其实就是高中概率与统计章节中常见的一个公式。就像解那时候的应用题一样，我们需要根据一堆 （x，y）求解一个合适的 w 和 b。

看看上面这个应用题，是否想起了高中时代的数