第一章 机器学习基础

第一章 机器学习基础

1.2 关键术语

训练集是用于训练机器学习算法的数据样本集合。

目标变量是机器学习算法的预测结果，在分类算法中目标变量的类型通常是标称型的，而在回归算法中通常是连续型的。

类别：分类问题中的目标变量，分类问题只存在有限个数的类别。

注意 特征或者属性通常是训练样本集的列，它们是独立测量得到的结果，多个特征联系在一起共同组成一个训练样本。

1.3 机器学习的主要任务

1. 分类：是将实例数据划分到合适的分类中。
2. 回归：要用于预测数值型数据。

监督学习：分类和回归归属于监督学习，之所以称之为监督学习，是因为这类算法必须知道预测什么，即目标变量的分类信息。

无监督学习:数据没有类别信息，也不会给定目标值。
将数据集合分成由类似的对象组成的多个类的过程被称为聚类；
将寻找描述数据统计值的过程称之为密度估计。

1.4 如何选择合适的算法

（一） 首先考虑使用机器学习算法的目的

如果想要预测目标变量的值，则可以选择监督学习算法，否则可以选择无监督学习算法。确定选择监督学习算法之后，需要进一步确定目标变量类型，如果目标变量是离散型，如是/否、1/2/3、A/B/C或者红/黄/黑等，则可以选择分类器算法；如果目标变量是连续型的数值，如0.0～100.00、-999～999或者+∞～-∞等，则需要选择回归算法。

如果不想预测目标变量的值，则可以选择无监督学习算法。进一步分析是否需要将数据划分为离散的组。如果这是唯一的需求，则使用聚类算法；如果还需要估计数据与每个分组的相似程度，则需要使用密度估计算法。

（二） 其次需要考虑的是数据问题

主要应该了解数据的以下特性：特征值是离散型变量还是连续型变量，，特征值中是否存在缺失的值，何种原因造成缺失值，数据中是否存在异常值，某个特征发生的频率如何（是否罕见得如同海底捞针），等等。

1.5 开发机器学习应用程序的步骤

1. 收集数据；
2. 准备输入数据；
3. 分析输入数据：是确保数据集中没有垃圾数据。
4. 训练算法；
5. 测试算法；
6. 使用算法。