机器学习中最常见的50个问题（基础篇）

本文中，介绍了各种机器学习问题，分享其中最常见的50个问题。

什么是机器学习？

机器学习是人工智能的一个子领域，涉及算法和统计模型的开发，使计算机能够通过经验来提高其在任务中的表现。计算机可以从任务中学习，并从经验中提高性能。

基础篇

1.机器学习与一般编程有何不同？

在一般的编程中，我们有数据和逻辑，通过使用这两个我们创建答案。但是在机器学习中，我们有数据和答案，我们让机器从中学习逻辑，这样，同样的逻辑可以用来回答未来将要面临的问题。此外，有些时候，用代码编写逻辑是不可能的，所以在那些时候，机器学习成为主导，学习逻辑本身。

2.聚类算法的一些实际应用是什么？

聚类技术可用于数据科学的多个领域，如图像分类、客户细分和推荐引擎。最常见的用途之一是市场研究和客户细分，然后用于针对特定的市场群体，以扩大业务和盈利成果。

3.如何选择最佳的集群数量？

通过使用肘部方法，我们决定了我们的聚类算法必须尝试形成的聚类的最佳数量。这种方法背后的主要原理是，如果我们增加聚类的数量，误差值就会减少。但是在最佳数量的特征之后，误差值的减少是微不足道的，因此，在开始发生这种情况的点之后，我们选择该点作为算法将尝试形成的聚类的最佳数量。

上图中的最佳聚类数是3。

4.什么是特征工程？它如何影响模型的性能？

特征工程是指利用已有的特征开发新的特征。有时候，某些特征之间存在非常微妙的数学关系，如果适当探索，则可以使用这些数学运算开发新的特征。此外，有时会将多条信息组合在一起，并作为单个数据列提供。在这些时候，开发新的功能并使用它们可以帮助我们更深入地了解数据，以及如果衍生的功能足够重要，则有助于大大提高模型的性能。

5.什么是机器学习中的假设？

假设是通常用于监督机器学习领域的术语。由于我们有独立的特征和目标变量，我们试图找到一个近似的函数映射从特征空间的目标变量，近似映射被称为一个假设。

6.如何衡量集群的有效性？

有一些指标，如惯性（inertia）或平方误差和（SSE），轮廓分数，L1和L2分数。在所有这些指标中，惯性或平方误差和（SSE）和轮廓分数是用于测量聚类有效性的常见指标。虽然这种方法在计算成本方面相当昂贵。如果形成的簇是致密的并且分离良好，则得分高。

7.为什么我