机器学习的基本概述

概念

        人工智能、机器学习、深度学习的关系：机器学习是人工智能的一个分支, 深度学习是实现机器学习的一种技术。

        机器学习研究的是如何让计算机模拟人类学习，通过大量数据发现规律、提取知识，并不断改进自身能力。它是机器获取知识的关键途径，赋予计算机类似人类的学习能力，以实现人工智能的目标。

机器学习模型 = 数据 + 机器学习算法

• 基于规则的学习：在机器学习出现之前，预测通常依赖于明确的、可解释的规则。这些规则是基于专家经验和数据分析手工制定的
• 基于模型的学习：通过编写机器学习程序，使机器从历史数据中学习和训练模型

       机器学习的数据集描述：

       假设我们要构建一个模型来预测房屋价格：

• 样本：每个房屋作为一个样本。
• 特征：房屋的大小、位置、卧室数量、浴室数量等。
• 目标：房屋的销售价格。
• 训练集：包含已知房屋销售价格的数据样本及其特征。
• 测试集：包含未知房屋销售价格的数据样本及其特征，用于评估模型预测的准确性。

        学习机器学习的两个重要目的：利用机器学习对数据进行价值化提取；实现数据的预测和规范性分析。

分类

        机器学习分为：

• 监督学习：任务驱动——分类、回归
• 无监督学习：数据驱动——聚类、降维
• 强化学习：算法学习对环境做出反应

	输入	输出	目的	案例
监督学习	有标签	有反馈	预测结果	鸢尾花分类、房价预测
无监督学习	无标签	无反馈	发现潜在结构	物以类聚、人以群分
半监督学习	部分有标签	有反馈	降低数据标记难度
强化学习	决策流程和激励系统	一系列行动	长期利益最大化	学下棋

开发环境

        scikit-learn 的主要功能：

• 分类：支持 SVM、KNN、随机森林等多种分类算法。
• 回归：支持线性回归、岭回归、Lasso 等回归算法。
• 聚类：提供 K-means、层次聚类、DBSCAN 等聚类方法。
• 降维：包括 PCA、LDA 等降维技术。
• 模型选择：支持交叉验证、网格搜索等模型选择方法。
• 预处理：数据标准化、缺失值处理、特征选择等预处理工具。