机器学习的简单介绍

这博客是自己边学习边写的，大部分都是对书籍及资料的记录，不足之处尽请谅解

机器学习五大流派

派别	起源	代表算法
符号流派	逻辑学，哲学	决策树
贝叶斯流派	统计学	朴素贝叶斯，马尔科夫链
联结流派	神经科学	神经网络算法
进化流派	进化生物学	遗传算法
类比流派	心理学	K近邻算法，支持向量机

符号流派： 使用符号，规则和逻辑来表征知识和进行逻辑推理，把学习
视为逆向的演绎过程，它是机器学习领域最传统的方法
贝叶斯流派： 概率推理和贝叶斯定理解决问题
联结流派： 通过神经元之间的连接来推导知识，神经网络是主要算法
进化流派： 模拟自然选择和遗传学机制，搜索最优解
类比流派： 在不同场景中找到相似性，根据相似性来判断

6种机器学习算法

1. 监督学习
2. 无监督学习
3. 弱监督学习
4. 半监督学习
5. 迁移学习
6. 强化学习

机器学习基本流程

1. 明确项目目标
   明确目标，以及开发完成后将要达到的效果
2. 数据收集
   相关性，完整性，一致性，时效性
3. 数据理解
   理解特征
4. 数据预处理
   大部分时间都花在这
   缺失值处理，异常值处理，数据标准化，降维，数据筛选，变量装换
5. 模型训练和评价
   把数据集分为训练集与测试集，以判断模型泛化能力

过拟合

产生原因	策略
模型过于复杂	降低模型复杂度
特征维度过多	减少特征维度 正则化，保留全部特征，但使得某些特征参数最小化
训练样本过少	增加训练数据量

欠拟合

产生原因	策略
模型过于简单	提升模型复杂度
特征维度过少	通过组合，对比，衍生等手段增加特征维度 添加多项式特征

6. 模型部署与应用
   监测算法准确率，运行速度，资源消耗等