Python3之机器学习

机器学习的一些概念：

最早的机器学习–垃圾邮件分类
怎么做的：

• 编写规则，定义"垃圾邮件"
• 对于很多问题，规则很难定义
• 规则不断变化

现在的应用：

• 图像识别
• 人脸识别
• 数字识别
• 等等

机器学习的一些算法：

KNN	SVM
线性回归	决策树
多项式回归	随机森林
逻辑回归	集成学习
模型正则化	模型选择
PCA	模型调整

需要考虑的一些问题：

• 如何评价算法的好坏
• 如何解决过拟合和欠拟合
• 如何验证算法的正确性

实验环境：
Python3
scikit-learn 机器学习库
numpy motplotlib

机器学习基础：
数据----数据集dataset
每个样本—sample
特征—feature

每一行是一个样本X(i)
最后一列是标记y(i)

机器学习的基本任务：

• 分类 ：二分类任务，多分类 （数字识别，图像识别等）
• 回归:结果是一个连续的数字的值，而非一个类别(房屋价格，市场分析等)

分类

• 监督学习:给机器的训练数据有标记或者有答案—>分类，回归
• 非监督学习:给机器的训练数据没有标记或者没有答案----->聚类分析
• 半监督学习:一部分数据有标记一部分没有
• 增强学习:根据周围环境，采取行动，学习行动方式------>机器人

其他分类

• 批量学习
• 在线学习

xxxxx

• 参数学习
• 非参数学习