机器学习概念理解与基本知识

1) 机器学习是什么

在数据上通过算法总结出规律模式，应用在新数据上做预测。

2) 机器学习基本概念

2.1) 不同类型的问题

• 监督学习：分类问题（选择）、回归问题（计算）
• 无监督学习：聚类问题（抱团）、关联规则
• 强化学习：从环境行为到映射的学习

2.2) 机器学习工业应用方向

• 自然语言处理
• 计算机视觉
• 语音识别
• 电商推荐与预估
• 数据挖掘

3) 机器学习基本流程与工作环节

• 数据预处理（数据采样、数据切分、特征抽取、特征选择、降维）
• 模型学习（超参选择、交叉验证、结果评估、模型选择、模型训练）
• 模型评估（分类、回归、排序评估标准）
• 模型上线

4) 机器学习中的评估指标

4.1) 机器学习的目标

拿到有泛化能力的好模型

4.2) 机器学习的评估方法（获得可靠的测试集数据）

• 留出法（1/5~1/3）
• K折交叉验证法
• 自助法

4.3) 机器学习的评估度量标准

• 分类问题（错误类、精度、召回率/准确率、混淆矩阵、F1值、AUC）
• 回归问题（MAE、MSE、RMSE、R平方）

5) 机器学习算法一览

• 分类（K最近邻、逻辑回归、朴素贝叶斯、支持向量机、树模型）
• 回归（线性回归、多项式回归、岭回归、树模型回归）
• 聚类（K-means、层次聚类、密度聚类、GMM）
• 关联规则（Fpgrowth）

转载于:https://www.cnblogs.com/yuzhen233/p/8441027.html