机器学习算法分类以及开发流程
1.机器学习的模型是什么
算法是核心,数据和计算是基础
找准定位:
-
分析很多的数据
-
分析具体的业务
-
应用常见的算法
-
特征工程,调参数,优化
我们应该怎么做:
-
要学会分析问题,使用机器学习算法的目的,想要算法完成何种任务
-
掌握算法基本思想,学会对问题用相应的算法解决
-
学会利用库或者框架解决问题
数据类型:
离散型数据:由记录不同类别个体的数目所得到的数据,又称计算数据,所以有这些数据全部是整数,而且不能在细分,也不能进一步提高他们的精准度
连续型数据:变量可以在某个范围内任取一数,即变量的取值可以是连续的,如长度、时间、质量值等,这类整数通常是非整数,含有小数部分。
~~
注意:离散型是区间内不可分,连续型是区间可分。
~~
数据类型的不同应用
2. 机器学习算法分类
监督学习(预测)(特征值+目标值):
- 分类(目标值离散型) k-近邻算法、贝叶斯分类、决策树与随机森林、逻辑回归、神经网络
- 回归 (目标值连续性) 线性回归、岭回归
- 标注 隐马尔可夫模型
无监督学习(特征值):
- 聚类 k-means
分类学习概念:
分类是监督学习的一个核心问题,在监督学习中,当输出变量取有限个离散值时,预测问题变成分类问题。最基础的便是二分类问题,即判断是非,从两个类型中选择一个作为预测结果;
分类在很多领域都有广泛应用:银行业务中,图像处理中,手写识别中,文本分类等等
回归概念:
回归是监督学习的另一个重要问题。回归用于预测输入变量和输出变量之间的关系,输出是连续性的值。
回归在房价预测,金融信息等领域有广泛的应用。
3. 机器学习的开发流程*
建立模型:
- 原始数据明确问题做什么
- 数据的基本处理:pd去处理数据(缺失值,和别那个表……)
- 特征工程(特征进行处理)
- 找到合适的算法进行预测(分类和回归)
- 模型的评估,判定效果(模型=算法+数据)
当5步骤没有合格时进行
1.换算法 参数
2.特征工程
循环……