机器学习基础

学习机器学习过程中的笔记
机器学习应用领域及应用范围不可小觑，值得学习，值得分享，后期根据学习进度同步更新；

机器学习基础

简单的说，机器学习就是把无用的数据转换成有用的信息

监督学习与无监督学习

监督学习

分类和回归属于监督学习，之所以称为监督学习，是因为这类算法必须知道预测什么，即目标变量的分类信息。

无监督学习

数据没有类别信息，也不会给定目标值。

• 在无监督学习中，将数据集合分类成由类似的对象组成的多个类的过程被称为聚类
• 将寻找描述数据统计值的过程称之为密度估计
• 此外，无监督学习还可以减少数据特征的维度，以便使用二维或三维图形更加直观的展示数据信息

用于执行分类，回归，聚类和密度估计的机器学习方法

监督学习的用途

监督学习的用途：
k-近邻算法	线性回归
朴素贝叶斯算法	局部加权线性回归
支持向量机	Ridge回归
决策树	Lasso 最小回归系数估计

无监督学习的用途

无监督学习的用途：
K-均值	最大期望算法
DBSCAN	Parzen窗设计

选择合适的算法：

监督学习：

• 预测目标变量的值，使用监督学习算法

确定目标变量类型：

• 如果目标变量是离散型的，可以选择分类算法

• 如果目标变量是连续型的 ，可以选择回归算法

无监督学习：

• 不想预测变量的值，使用监督学习算法

确定是否需要将数据划分为离散的组：

• 如果是唯一的需求，则是用聚类算法
• 如果还需要数据与每个分组的相似程度，则需要使用密度估计算法

开发机器学习应用的步骤

（1）收集数据

（2）准备输入数据

（3）分析输入数据

（4）训练算法

（5）测试算法

（6）使用算法

欢迎关注本人微信公众号：一丁点技术

内有学习资源，一起学习，一起进步