机器学习实战（一）

---

title: 机器学习实战（一）
date: 2020-02-18 11:20:50
tags: [机器学习, 机器学习实战]
categories: 机器学习实战
更多内容请关注我的博客

此blog是机器学习实战这本书的读书笔记

机器学习基础

用计算机来彰显数据背后真正的意义，这才是机器学习的真正含义。

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。

训练样本必须知道目标变量的值，以便机器学习算法可以发现特征和目标变量之间的关系。

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

监督学习：

k-邻近算法  线性回归    朴素贝叶斯算法  局部加权线性回归
支持向量机  Ridge回归   决策树  Lasso最小回归系数

无监督学习：

K-均值  最大期望算法    DBSCAN  Parzen窗设计

如何选择合适的算法

如果要预测目标变量的值，选择监督学习算法，否则无监督学习算法。

确定目标变量类型：

离散型：True/False，1/2/3，A/B/C等，选择分类算法

连续型：0.0 ~ 100， -99 ~ 99， +∞ ~ -∞等，选择回归算法

一般来说发现最好的算法的关键是反复试错迭代。

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