【乱说】机器学习算法的过程

人类认识事物：
可被观察到的事物区别

通过人的认真观察+数据观察分析=》找出本质特征或者说明显的特征

机器学习识别：
第一步：特征提取【对于机器 学习 系统是非常非常重要的】
通过训练样本获得的，对机器学习任务有帮助的多维度特征数据

提取特征的方法：
①计算面积，采取图像处理中的链码和图像坐标
②计算边缘，用01矩阵来计算物体的边缘

例如：提取边缘，从物体的边缘来推测它的周长和面积，同时基于边缘的信息，用图像处理中的哈弗变换，提取物体的形状/曲线，通过灰度共生矩阵[灰的不一样+01矩阵]来表现物体的粗糙程度。

机器学习的重点不是研究如何提取特征，而是假设在特征已经提取好的前提下，如何构造算法获得更好的性能。

对于机器而言，提取了好的特征，通过也能获得不错的性能。如果说提取的特征很差，无法反应出训练样本的内在规律，不可能获得好的性能。

为什么不重点研究提取特征：
不同的任务提取特征的方式不同。
例如：图像、语音、三维点这些媒质的物理属性各不相同。同时机器学习的任务也各不相同。

不同媒质不同任务=>提取特征的方式千变万化

第二步：特征提取结果
特征选择：
这个时候要通过图像来代表各个物体的在同一比较条件（特征）下的区别。
然后我们要选择什么是主要的区别特征。这里要求这个数据差明显。

周长特征：大家都懂
面积特征：大家都懂
形状特征：可见上面

纹理特征：
1.灰度直方图的均值
2.灰度直方图的标准差
3.灰度共生矩阵的二阶矩
4.灰度共生矩阵的相关性
5.灰度共生矩阵的对比度

选择其中你认为很重要的点（特征）来构建机器学习系统。

如何基于这两个特征构建算法：
①支持向量机
（支持向量机的三种内核=>{为了方便理解，你可以将其看为三种机器学习的算法}）
线性内核
多项式核
高斯径向基函数核

关键一步 ：训练结果
前提：在这里是提取的两个特征，才有二维图和一个横坐标和一个纵坐标。
将物体画在一张二维的图上，横坐标是一个特征，纵坐标是一个特征，然后将每个特征分别归一化到±1之间。
这个两个特征组成的特征平面叫做特征空间。在这里有两个特征就是二维的，如果采用了多个特征，那么特征空间构成的维度可以高于二维。

然后利用前面讲到的三种不同算法，机器或者人在这个满足需求问题的特征空间下画出了一条线。
不同的机器学习算法会画出不同的线，一旦画出这条线，机器学习的过程就已经完成了。

深度学习：特征空间往往是几万维或者几十万维。
维度和标准
对于二维人们能够很快速的掌握规律并运用规律。
一旦维度增加，就很难看清规律了。

维度：人眼对于超过三维的世界缺乏想象力。而机器在处理高维的数据中有起手的优势与性能。远远超越了人类对高维世界的想象。

标准：不同的机器学习算法会画出不同的线，对某一区域的划分是不一样的。

然后就会衍生出一个问题：哪个机器学习的算法更好呢？
我们需要研究画线的方法，确保每种画线的方法适用于什么样的情况和场景，这个问题很困难。因为这个线是根据有限的训练样本画的。它的目的是预测新样本的类别。我们无法穷尽所有的新样本。我们不能得出一个绝对意义的好与坏的标准。

如何针对不同的应用场景选择合适的机器学习算法，甚至构造新的机器学习算法解决目前无法解决的应用场景。

3种机器学习算法训练库准确率：（满分：100；你信吗？）
rbf内核：95
线程核：97
多项式核：95
然后我们就可以发现线性核的准确率高。

测试结果图像
测试，然后看图像，再看结果怎么样

总结
1.机器学习算法的过程：
特征提取、特征选择=>不同的算法对特征空间做不同的划分=>不同的结果
【重点】2.研究不同应用场景下应该采用哪种算法
【更重点】3.研究新的机器学习算法以便适应新的场景