机器学习与知识发现_01机器学习算法整体知识体系与学习路线攻略

入行机器学习有一年多了，做过大大小小的机器学习项目，参加数据竞赛等实践活动，从最初的懵懵懂懂到现在逐步的深入，也渐渐的有了很多的体会和理解，本篇文章主要来阐述机器学习的知识体系，以让更多人明白机器学习应该怎样学习、需要学习什么？这些问题就是本篇文章的主要讨论的内容，下面开始进行详细介绍。

## 先对本篇文章的目录做个介绍：

1. 1.机器学习术语

1. 2.常见算法类型

1. 3.评估方法和指标

1. 4.性能优化和超参数调优

## 1.机器学习术语

接下来正式介绍机器学习术语。机器学习术语作为作为最基本的常识问题，为了更好的学习和理解机器学习算法，识记和理解相关术语是非常必要的。术语常见的有特征、标签、泛化能力、有监督与无监督学习、过拟合、欠拟合、鲁棒性、分类、回归、聚类与降维、集成学习等。

在这里只介绍机器学习、特征、标签、有监督与无监督学习这几个术语，其它术语在后面会一一介绍。

**(1)机器学习**

机器学习是指根据历史数据，使用某种算法或者规则从数据中寻找规律，以达到预测未知的事情，这就是通俗的机器学习概念

**(2)特征**

特征是指与事物本身关系紧密的属性，通俗来讲特征是一组自变量数据。

**(3)标签**

标签是指一组属性特征所对应的标志值，通俗来讲标签是一组应变量数据。

【福利1：如何快速且深刻的区别和理解特征与标签的含义、区别？】

福利1：例如关系式：y=x1+x2+x3，y就是标签，而x1、x2、x3则是特征，下面将特征与标签以二维向量的形式展示，以加强理解：

x1（特征） x2（特征） x3（特征） y（标签）

样本1 2 1 5 8

样本2 5 6 3 14

… … … … …

**(4)有监督与无监督学习**

有监督学习是指算法在训练过程中，不仅数据特征参与训练，而且数据标签也参与到训练中以辅助特征的训练学习。

无监督学习是指算法在训练过程中，只有数据特征参与训练学习，而数据标签是不确定或未知。

【福利2：如何快速理解与区别有监督、无监督学习呢？】

福利2：有监督学习=特征+标签；无监督学习=特征。

## 2.常见算法类型

机器学习常见的算法类型有：分类、回归、聚类、降维。

**(1)分类**

分类算法是指针对标签为离散型数据的一类问题进行算法训练，从而预测并进行分类的过程。分类算法常见的有：K近邻算法、朴素贝叶斯、逻辑回归、支持向量机、决策树（在这里先不列出集成学习之类的分类算法）。

**(2)回归**

回归算法是指针对标签为连续型数据的一类问题进行算法训练，从而预测并进行拟合的过程。回归算法常见的有：线性回归、岭回归、lasso回归。

**(3)聚类**

聚类算法是指利用事物特征的相似度进行聚类划分的过程。比较常见的聚类算法是k-means。

**(4)降维**

降维是指将高维数据低维化的过程，旨在通过少量特征的信息来代替总体特征的信息。常见的是主成分分析（PCA）。

## 3.评估方法与指标

性能评估是指算法进行训练学习之后，为了验证算法的可靠性，需要性能评估方法和指标来衡量算法的优劣情况。

**(1)评估方法**

评估方法常见的是：holdout验证、k-fold交叉验证。

**(2)评估指标**

分类评估指标主要有：准确率、混淆矩阵、精确率、召回率、f1分数、auc值以及P-R曲线、roc曲线。

回归评估指标主要有：绝对平均误差、均方差、均方根误差等。

## 4.性能优化和超参数调优

性能优化是指对算法模型进一步改进，以得到更为理想的预测效果。性能优化常见的有梯度下降、超参数调优、集成学习算法、正则项惩罚、有效特征选择等。

本篇机器学习整体知识体系介绍完毕，欢迎留言交流学习，每天学习成长一点点！！！