机器学习的基本思路
- 将现实生活中的问题抽象成数学模型,并清楚模型中每个参数的作用;
- 利用数学方法对数学模型进行求解,从而解决现实生活中的问题;
- 评估这个数学模型是否真正解决了现实生活中的问题以及解决的程度如何。
机器学习的原理
通过训练集,不断识别特征,开始建模,最后形成有效的模型,这个过程称为“机器学习”。
机器学习的分类
根据训练方法,机器学习大致可分为3大类:
- 监督学习
- 非监督学习
- 强化学习
监督学习
监督学习是指我们给算法一个数据集,并且给定正确答案,机器通过数据来学习正确答案的计算方法。
非监督学习
非监督学习中,给定的数据集没有正确答案,所有的数据都是一样的。无监督学习的任务是从给定的数据集中,挖掘出潜在的结构。
强化学习
强化学习更接近生物学学习的本质,因此有望获得更高的智能。它关注的是智能体如何在环境中采取一系列行为,从而获得最大的累积回报。通过强化学习,一个智能体应该知道在什么状态下应该采取什么行为。
机器学习的实操步骤
- 收集数据
- 数据准备(训练集用来训练模型;验证集用来确保模型没有过拟合;测试集用来评估模型效果)
- 选择一个模型
- 训练
- 评估
- 参数调整
- 预测(开始使用)