机器学习之简介

原创不易，如果有转载需要的话，请在首行附上本文地址，谢谢。

机器学习简介

机器学习是什么：

机器学习教计算机执行人和动物与生俱来的活动：从经验中学习。机器学习算法使用计算方法直接从数据中“学习”信息，而不依赖于预定方程模型。当可用于学习的样本数量增加时，这些算法可自适应提高性能。

 

机器学习的工作原理：

机器学习采用两种类型的技术：监督式学习和无监督学习。监督式学习根据已知的输入和输出训练模型，让模型能够预测未来输出；无监督学习从输入数据中找出隐藏模式或内在结构。

监督式学习：

监督式机器学习旨在构建能够根据存在不确定性的证据做出预测的模型。监督式学习算法接受已知的输入数据集和对数据的已知响应（输出），然后训练模型 ，让模型能够为新输入数据的响应生成合理的预测。

监督式学习采用分类和回归技术开发预测模型。

    分类技术可预测离散的响应——例如，电子邮件是真正邮件还是垃圾邮件，肿瘤是恶性还是良性的。分类模型可将输入数据划分成不同类别。典型的应用包括医学成像、语音识别和信用评估。

    回归技术可预测连续的响应——例如，电力需求中温度或波动的变化。典型的应用包括电力系统符合预测和算法交易。

无监督学习：

    无监督学习可发现数据中隐藏的模式或内在结构。这种技术可根据包含未标记响应的输入数据的数据集执行推理。

    聚类是一种最常用的无监督学习技术。这种技术科通过探索性数据分析发现数据中隐藏的模式或分组。聚类的应用包括基因序列分析、市场调查和对象识别。

如何确定使用哪种算法？

    监督式和无监督机器学习算法共有几十种，每种算法又包含不同的学习方法，因此没有最佳的选取方法，只能通过试错，不断地筛选，直至得到最佳的算法。但算法的选择一定程度上取决于你所要处理数据的大小和类型。

什么样情况下使用机器学习？

    当你遇到涉及大量数据和许多变量的复杂任务或问题，但没有现成的处理公式或方程时，可以考虑使用机器学习。如：

（1）手写规则和方程式太过复杂——例如人脸识别、虹膜识别和语音识别

（2）任务的规则始终在变化——例如事务处理记录的欺诈检测。

（3）数据本身在不断变化，程序也必须适应这种变化——例如自动交易、能量需求和购物趋势预测等