什么是机器学习？简单理解

1 什么是机器学习？

机器学习一般有如下三个步骤：

1. 根据问题假设模型
2. 使用数据训练模型
3. 应用模型预测分析

这三个步骤在实际操作中分别对应着：

1. 根据问题假设函数
2. 使用数据求解参数
3. 应用函数预测分析

也就是说，机器学习中所谓的模型就是函数，理解这一点非常重要！

定义：机器学习是对研究问题进行模型假设，并利用计算机从训练数据中学习得到模型参数，并最终对数进行预测和分析的一门学科。

2 机器学习过程演示

接下来我们使用一个非常简单的案例来演示上述机器学习的过程...

2.1 第 0 步：问题

如下图所示，请预测当 x = 10 时，y 值是多少？

2.2 第 1 步：根据问题假设模型（根据问题假设函数）

根据观察，我们可以看出图上的数据点大致分布在一条直线上，但并非完全在一条直线上（否则用初中知识就能完美预测了），因此我们根据问题假设该数据的分布符合一次函数，也就是y = kx + b。那么，我们的任务就转换成了如何求解参数 k 和 b。

2.3 第 2 步：使用数据训练模型（使用数据求解参数）

这里通过对残差平方和进行求导，当导数为 0 时，残差平方和取得极小值，从而求得参数 k 和 b。

其中 k = 1.4，b = 0.78

2.4 第 3 步：应用模型预测分析（应用函数预测分析）

将 x = 10 代入函数 y = 1.4x + 0.78，得 y = 14.78

3 模型可视化

4 完整代码

# 数据
X = [[1], [2],[3], [4], [5]]
Y = [2, 4, 5, 6, 8]

# 模型
from sklearn.linear_model import LinearRegression
regr = LinearRegression()    # 假设模型
regr.fit(X, Y)    # 训练模型
y = regr.predict([[10]])    # 预测

# 可视化
import matplotlib.pyplot as plt
plt.scatter(X, Y)
plt.plot(X, regr.predict(X))
plt.show()

5 结语

有问题或者建议可以留言，如果对你有帮助的话，也可以关注我的公众号，谢谢。