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