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
- 监督学习
- 无监督学习
- 弱监督学习
- 半监督学习
- 迁移学习
- 强化学习
机器学习基本流程
- 明确项目目标
明确目标,以及开发完成后将要达到的效果 - 数据收集
相关性,完整性,一致性,时效性 - 数据理解
理解特征 - 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 - 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 |
- 模型部署与应用
监测算法准确率,运行速度,资源消耗等