文章目录
机器学习概述
数据集的组成
格式不用mysql原因:
1、对于存储读取几M或几G文件数据时,读取速度慢。
2、格式不太符合机器学习要求的数据格式,还需要自己进一步处理数据格式。
所以一般企业中获取数据不在数据库中获取。
对于mongodb数据库,读取性能好,但是大多数都是以json格式,但是json格式又不太适合机器学习,所以数据还是得处理。
因此大多数数据以文件形式存储,如存储在csv文件中。
pandas读取存储数据非常快,它是基于numpy做的,而numpy速度很快。
python是动态性语言,有个全局解释器锁,当真正通过多线程进行操作时,如开启4个线程,但不是一起工作,而是每个时刻只有一个线程去工作。在机器学习这要认识到:我们这后边的才是真正的多线程,即4个线程并行工作,原因是numpy,之后所有库都是基于numpy的,numpy就是把GIL锁给释放了。
数据集的结构
可以用的现成
每个领域的数据基本都有
数据集常用的库网址
常用数据集的结构组成
特征值:机器学习的数据大多数是由特征组成的,但是不是所有的特征都是必要的,有一些可以删除,有一些可以做一些处理。
目标值:自己想做的事。
数据中对于特征的处理
当有重复值时,若有10个样本,还没学习好,则再把10个样本给他让他去学习,即又学习一些东西,所以在机器学习中不用对重复值进行处理。pandas就可以进行数据处理的工具,但只是处理一些简单的合并等简单操作,将数据处理好后,就可以进行机器学习了。
特征工程:对特征的处理。