机器学习--基础

1、何谓机器学习

除却一些无关紧要的情况，人们很难直接从原始数据本身获得所需信息。例如，对于垃圾邮件的检测，侦测一个单词是否存在并没有太大的作用，然而当某几个待定单词同时出现时，再辅以考察邮件的长度及其他因素，人们就可以更准确地判断该邮件是否为垃圾邮件。简单地说，机器学习就是把无序的数据转换成有用的信息。

大量的经济活动都依赖于信息，我们不能在海量的数据中迷失，机器学习将有助于我们穿越数据迷雾，从中抽取出有用的信息。

2、机器学习的主要任务

2.1  监督学习

监督学习：该类算法必须知道是要预测什么，即目标变量的分类信息，主要任务是分类和回归。

分类是将实例数据划分到合适的分类中。

回归主要用于预测数值型数据，大多数人可能都见过回归的例子----数据拟合曲线：通过给定数据点的最优拟合曲线。

2.2  无监督学习

无监督学习：此时数据没有类别信息，也不会给定目标值。主要任务是聚类和密度估计。

聚类是将数据集合分成由类似的对象组成的多个类的过程。

密度估计是寻找描述数据统计值的过程。

此外，无监督学习还可以减少数据特征的维度，以便我们可以使用二维或三维图形更加直观地展示数据信息。

3、如何选择合适的算法

选择实际可用的算法，必须考虑下面两个问题：（1）使用机器学习算法的目的，想要算法完成何种任务，比如是预测明天下雨的概率还是对投票者按照兴趣分组；（2）需要分析或收集的数据是什么。

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的类型，如果目标变量是离散型（标称型），如是/否、1/2/3/、A/B/C或者红/黄/黑等，则可以选择分类算法；如果目标变量是连续型的数值（数值型），如0.0~100.00、--999~999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。如果这是唯一的要求，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。

4、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

（4）训练算法

（5）测试算法

（6）使用算法