本文是《机器学习实战》的读书笔记，涵盖了监督学习的基础概念，如分类与回归，以及无监督学习中的聚类和密度估计。重点讲解了k-近邻算法，强调了归一化特征值的重要性，并提供了使用numpy库进行代码实践的简要说明，包括矩阵与数组的区别。
第一章: 入门术语
监督学习使用两种类型的目标变量:
- 分类-标称型: 结果只在有限集合中取值,离散值
- 回归-数值型: 结果可以从无限的数值集合中取值,连续值
之所以称监督学习,是因为这类算法必须知道预测什么,即目标变量的分类信息
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被称为聚类
将寻找描述数据统计值的过程称之为密度估计
是 否 要 预 测 目 标 变 量 的 值 { 是 : 监 督 学 习 → 目 标 变 量 类 型 { 离 散 型 : 分 类 算 法 连 续 型 : 回 归 算 法 否 : 无 监 督 学 习 → 是 否 只 需 要 将 数 据 划 分 为 离 散 的 组 { 是 : 聚 类 否 : 密 度 估 计 ( 还 需 要 估 计 数
最低0.47元/天 解锁文章
2294
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
