机器学习概述

机器学习：

机器学习：通俗易懂的讲就是让机器学习人的行为能力，去代替人执行某些复杂的计算，毕竟对于一些庞大的数据，人的计算速度是非常缓慢的，换句话说，其实就是一个经验学习的过程。近年来，机器学习已经被用到了不同的领域，如：人脸识别，图像识别，手写识别，垃圾邮件分类等方方面面。

本人在编写的过程中主要使用编程环境为Anaconda,pycharm,以及如下的一些机器学习库文件。

• numpy    用于进行数组的操作
• scipy   具有线性代数高级程序，数学函数优化，信号处理，特殊数学函数和统计分布等功能
• matplotlib  是python的主要绘图函数
• pands   用于处理和分析数据的库
• mglearn  主要用于绘图美化

以上这些库文件在pycharm安装不便，大家可以将我上传的资源下载后复制到pycharm的安装目录pycharm\lib\site-package下即可。

机器学习主要分为两大类：

机器学习主要学习过程或者说步骤如下：

1.输入大量学习资料（即训练数据：X_train,y_train）得到一个模型

2.在得到的模型基础上用sklearn的fit()函数去拟合

3.给该模型一个新的输入样例，利用该模型进行预测

4.输出预测结果

5.利用评估函数对模型的优劣进行评估

分类问题

所谓分类问题，就是说通过我们已有的机器学习模型，能够将我们待预测的数据进行一个分类，最常见的就是二分类问题，以及多分类问题。

例如：已有一个水果识别模型，他的结果集合是[苹果，橘子]，那么现在给定一个水果让该模型进行预测，那么结果只能是苹果或者橘子，这就是一个二分类问题。

例如：该水果识别模型，他的结果集合是[苹果，橘子，香蕉，西瓜]，那么给定一个水果利用该模型进行预测，那么结果只能是这四个当中的某一个。这就是一个典型的四分类问题，通常情况下，我们把多余两个的分类问题统称为多分类问题。

回归问题

所谓回归问题，就是说，通过我们的机器学习模型，对数据集进行预测所得到的结果是一个具体的数值，而不是像多分类问题那样从一个结果集合中选择答案。

例如：利用房屋的面积和房子的价格数据集所形成的一个学习模型，当我给定一个新的数据(房子的面积)，那么利用该模型会预测出一个确切的数值(房子价格)。