Python3 机器学习实战自我讲解（一）机器学习基础

第一章 机器学习基础

1.1何为机器学习

简单的说机器学习就是把无序的数据转换成有用的信息。

1.2机器学习的主要任务

监督学习和无监督学习：

监督学习:之所以称之为监督学习，是因为这类算法必须知道预测什么，即目标变量和分类信息。监督学习包括回归问题，分类问题，标注问题。

1. 回归问题：输入变量与输出变量均为连续变量的预测问题称为回归问题。
2. 分类问题：输出变量为有限个离散变量的预测问题称为分类问题。
3. 标注问题：输入变量与输出变量均为变量序列的预测问题称为标注问题。

无监督学习：此时数据没有类别信息，也不会给定目标值。在无监督学习中，将数据几何分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成为密度估计。

1.3 如何选择合适的算法

有两点需要考虑：

1. 使用机器学习算法的目的。如果想要预测目标变量的值，则可以选择监督学习算法，否则可选择无监督学习算法。
2. 需要分析或者收集的数据是什么？如果目标类型是离散型，则可以选择分类器算法；如果目标变量是连续型的数值，则需要选择回归算法。如果不想预测目标变量的值，则使用聚类算法。

1.4 开发机器学习应用的步骤

1. 收集数据。如：制作网络爬虫，或者下载数据
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。

1.5 使用python

1. 语法清晰
2. 易于操作文本文件
3. 使用广泛，存在大量开发文档

1.6 numpy 基础

Numpy简单使用方法
random.rand(4,4) 产生4*4的随机数组
randMat=mat(random.rand(4,4)) 将随机数组转化为矩阵
invRandMat=randMat.I .I实现了矩阵的求逆操作
res=randMat*invRandMat 得到矩阵与逆矩阵的乘积（单位矩阵）