机器学习实战-机器学习基础

https://github.com/stonycat/ML-in-Action-Code-and-Note/blob/master/ch2/kNN.py

本章内容

 

• 机器学习的简单概述

  • 利用计算机来彰显数据背后的真实含义

• 机器学习的主要任务
  • 回归，预测数值型数据（监督学习）
  • 分类，将数据划分到何时的分类中（监督学习）
• 学习机器学习的原因
• 机器学习的步骤
  • 收集数据
  • 准备输入数据
  • 分析输入数据
  • 训练算法
  • 测试算法
  • 使用算法
• Python语言的优势
  • 清晰
  • 易于操作
  • 广泛有大量文档
• 术语
  • 监督学习：指导预测什么，即目标变量的分类信息
  • 特征也叫做属性，例如鸟的，体重，颜色等
  • 训练集，算法输入大量已分类数据作为算法的训练集
  • 目标变量：机器学习算法的预测结果
  • 类别：分类问题的目标变量
  • 样本集：通常使用两套独立的算法结果，训练数据和测试数据
  • 知识表示：是否我们就可以看到机器已经学会了如 何区分不同的鸟类了呢?这部分工作
  • 聚类：在无监督 学习中，将数据集合分成由类似的对象组成的多个类的过程
  • 密度估计：寻找描述数据统计值的过程
  • 分类器算法：数据划分到合适分类，目标变量为离散型
  • 回归算法：预测数值数据，目标变量为连续型

  • 标称型：目标变量的结果只在有 限目标集中取值，是否，几种颜色

 

import numpy 和 from numpy import*的区别

 

mport numpy，如果使用numpy的属性都需要在前面加上numpy

from numpy import *，则不需要加入numpy

后者不建议使用，如果下次引用和numpy里的函数一样的情况，就会出现命名冲突。