《机器学习实战》学习笔记：机器学习基础

机器学习的基础

机器学习的简单概述

简单而言，机器学习就是将无序的数据转换成有用的信息。
训练集是用于训练机器学习算法的数据集合，必须确定知道目标变量的值，以便机器学习算法可以发现特征和目标变量（机器学习算法的预测结果）之间的关系。

机器学习的主要任务

机器学习分类

• 监督学习

  • 分类
  • 回归

• 无监督学习

  • 聚类
  • 密度估计

监督学习–知道“特定”的预测结果，即目标变量的分类消息。
分类：将实例数据划分到合适的分类，目标变量的类型通常为标称型(离散)。
回归：通过特定数据点拟合曲线，用于预测数值型数据(连续)。
无监督学习：数据没有类别信息，也没有给定目标值。（数据无标签）（可降低数据特征的维度）
聚类：将数据集合分成由类似的对象组成的多个类的过程。
密度估计：寻找数据统计值的过程。

开发机器学习应用程序的步骤：
收集数据->准备输入数据->分析输入数据->训练算法->测试算法->使用算法

Python语言的优势

• Python的语法清晰（可执行伪代码）
• 易于操作纯文本文件
• 使用广泛，存在大量的开发文档