《机器学习实战》笔记01~学习算法前的准备

《机器学习实战》笔记

1.机器学习算法的用途

监督学习

算法	用途
K-近邻算法	线性回归
朴素贝叶斯算法	局部加权线性回归
支持向量机	Ridge回归
决策树	Lasso最小回归系数估计

无监督学习

算法	用途
K-均值	最大期望算法
DBSCAN	Parzen窗设计

2.选择算法的依据

1. 使用算法的目的,要完成的任务是什么样的
2. 要收集并分析的数据是什么样的

目的	算法
预测目标变量的值	监督学习
目标变量为离散型	分类器算法
目标变量为连续型	回归算法
目的	算法
不需要预测目标变量的值	无监督学习
仅将数据划分为离散的组	聚类算法
估计数据与离散的组的相似程度	密度估计算法

3.应该了解的数据特性

1. 特征值是离散型还是连续型
2. 特征值中的缺失值和异常值
3. 特征值发生的频率

4.开发机器学习应用程序的步骤

1. 收集数据(爬虫,API等)
2. 保证输入数据的格式符合要求
3. 分析输入数据,数据清洗
4. 训练算法(无监督学习不需要训练)
5. 测试算法,不满意测试结果就返回上一步继续训练算法
6. 使用算法,执行任务