机器学习01

1.机器学习 = 数据 + 模型 + 预测

2.数据集 = 特征值 + 目标值

3.机器学习算法分类

1.监督学习(分类，回归)有特征值，有标准答案

        1.分类问题   （猫狗） k-邻近算法，贝叶斯分类，决策树与随机森林，逻辑回归

       （输入） 特征值： 猫/狗图片   

        （输出）目标值： 猫/狗          >  类别问题 （离散型数据）

        2.回归问题   （房子） 回归，线性回归，岭回归

        （输入）特征值： 房子各个属性的信息

        （输出）目标值：房子价格      >回归问题 （连续型数据）

2.无监督学习（聚类）有特征值，无标准答案

   聚类 k-means

        （输入）特征值： (人物)各个属性信息

        （输出）目标值： 无                >无监督学习 

4.机器学习的开发流程

        1.获取数据

        2.数据处理

        3.特征工程

        4.机器学习算法训练   > 模型

        5.模型评估

        6.应用

特征工程

        1.数据集

                1.可用数据集

                        1.sklearn

                        2.kaggle https://www.kaggle.com/datasets

                        3.UCI    

                1.Scikit-learn工具介绍

                安装Scikit-learn 需要Numpy,Scipy库

                1.分类，聚类，回归，特征工程，模型选择，调优