接着上一次的笔记,今天将《零起点学习Python机器学习快速入门》的剩下的内容全部做一个记录。
前天将书中的几个机器学习的模型全部啃了一遍:
1、逻辑回归
2、贝叶斯网络
3、knn临近
4、随机森林
5、决策树
6、GDBT迭代决策树
7、svm支持向量机
8、交叉向量机
9、神经网络
10、神经网络回归
就这么几类模型,这些模型自己有的知道原理,有的还没有见过,书中虽然是提了以下,但是基本上和没有讲是一样的根本没有办法理解到什么。书中的代码页全部手敲一遍,基本上都是类似的代码,只是换一个模型函数,而且书中自己也封装了一个库,所以代码看起来十分的简单。
近几年神经网络是最火的,因为现在的神经网络可以设计成好几层甚至更多的层数,这样可以学习到的特征就会更多,效果也就会更好,所以后面考虑到实际的需求,就基本上专攻神经网络这一部分了。
本书的下面一部分是“组合机器学习”,这个部分基本上就是讲前面的出现的各种机器学习模型组合起来,思维方式是“三个臭皮匠顶个诸葛亮”的想法。将几个模型组合起来输出的结果不根据某一个模型的预测结果,而是综合考虑几个模型的结果,然后再下判断。这样的方式在我看来有一个问题,就是假如使用三个模型,有两个模型正确率不高,另一个准确率较高,那么最终的结果是综合考虑3个模型的判断,还是只听哪个准确率较高的模型。如果一个模型的准确率已经够高了,其他的模型的结果还需要考虑吗?
这个问题上学期和室友讨论过一次,就是如果训练不出一个比较正确的模型的话,拿再多的正确率不高的模型来进行组合也是没有用的。
后面书终又讲了一下怎么杨保存训练好的模型,基本上也是结构化的代码,个人感觉敲一遍就基本上没有问题了。
整本书通读下来,机器学习给我的感觉,就是"数据处理>>将处理好的数据丢到模型中>>保存模型>>完成"整个流程感觉比较简单,也不涉及理论性的东西,几个模型基本上就是一个函数调用的事。而且书中还将sklearn的库中的很多东西进行了封装,所以如果直接使用封装之后的库的话,基本上学完这本书要不了2天的时间。
后面还是将吴恩达的深度学习视频和练习搞一搞,这本书就只是入门使用,在脑子中建立起一个大致的机器学习框架,想要了解更深的内容还是看吴恩达。