python机器学习基础

备注：本文主要来自于对《深入浅出python机器学习》书籍和其它资料的的学习总结笔记，感兴趣的同学可以购买本书学习,学习的本质就是形成自己的逻辑。

1、什么是机器学习

卡耐基梅隆大学的著名教授Tom Mitchell曾这样定义：如果一个程序在使用即有经验执行某类任务的过程中被认定是“具备学习能力的”，那么它一定需要展现出—利用现有经验，不断完善其完成既定任务的性能的特质。那么我们会发现3个关键术语：经验-Experience,任务-Task,性能-Performance。

1）任务

• 机器学习的任务种类有很多，经典的两类任务是监督学习和无监督学习。

• 监督学习先用训练集数据确定某一规则，再将此规则用于测试集数据看是否能获得好的分类性能，它关注对事物未知表现的预测，一般包括分类和回归问题；无监督学习则没有训练集数据，直接在所有数据中进行分类，它倾向于对事物本身特性的分析，常用的是数据降维和聚类问题。

• 监督学习中的分类问题，是指对类别变量进行分类预测，如根据一个人的三维数据预测性别分类；监督学习中的回归问题，是指对连续变量的预测，如根据房屋的特征数据预测销售价格。

• 无监督学习中的数据降维，是指对事物的特性进行压缩和筛选，如图像人脸识别任务中，直接使用像素信息数据的维度就特别高，需要对图像信息进行降维，保留最具有区分度的像素组合；无监督学习中的聚类问题，是指依赖数据的相似性，把相似的数据样本划分为一个簇，如电子商务网站根据用户的信息和购买习惯进行聚类，针对他们不同的兴趣投放广告和促销信息。

2࿰