从零开始学ai-机器学习篇 1.机器学习概述

机器学习概述

机器学习

算法是核心，数据和计算是基础

机器学习一般的数据集会划分为两个部分：

• 训练数据：用于训练，构建模型

• 测试数据：在模型检验时使用，用于评估模型是否有效

  一般训练集:测试集为0.75:0.25

机器学习分类

• 监督学习 输入数据有特征有标签，即有标准答案

监督学习（Supervised learning）

可以由输入数据中学到或建立一个模型，并依此模式推测新的结果。输入数据是由输入特征值和目标值所组成。函数的输出可以是一个连续的值（称为回归），或是输出是有限个离散值（称作分类）。

分类

k-近邻算法、贝叶斯分类、决策树与 随机森林、逻辑回归、神经网络

回归

线性回归、岭回归

标注

隐马尔可夫模型

• 无监督学习 输入数据有特征无标签，即无标准答案

无监督学习（Supervised learning）

可以由输入数据中学到或建立一个模型，并依此模式推测新的结果。输入数据是由输入特征值所组成

聚类 k-means

分类问题

分类是监督学习的一个核心问题，在监督学习中，当输出变量取有限个离散值时，预测问题变成为分类问题。最基础的便是二分类问题，即判断是非，从两个类别中选择一个作为预测结果

• 分类在于根据其特性将数据“分门别类”，所以在许多领域都有广泛的应用

  在银行业务中，构建一个客户分类模型，按客户按照贷款风险的大小进行分类
  图像处理中，分类可以用来检测图像中是否有人脸出现，动物类别等
  手写识别中，分类可以用于识别手写的数字
  文本分类，这里的文本可以是新闻报道、网页、电子邮件、学术论文

回归问题

回归是监督学习的另一个重要问题。回归用于预测输入变量和输出变量之间的关系，输出是连续型的值

• 回归在多领域也有广泛的应用

  房价预测，根据某地历史房价数据，进行一个预测
  金融信息，每日股票走向