本文是《Python机器学习及实践》第1章的学习笔记，涵盖了机器学习的基础概念，如任务、经验和性能，并详细介绍了Python在机器学习中的优势，如便利的调试、跨平台和丰富的库。同时，重点讲解了Python编程库如Numpy、SciPy、Matplotlib、Scikit-learn和Pandas的作用和用途，并提供了Windows环境的Python环境配置指南。
目录
1.1机器学习综述
1、机器学习的定义
美国卡内基梅隆大学(Garnegie Mellon University)机器学习研究领域的著名教授Tom Mitchell的经典定义：
A program can be said to learn from experience E with respect to some class of tasks T and performance measure P, if its performance at tasks in T, as measured by P, improves with experience E.
如果一个程序在使用既有的经验（E）执行某类任务（T）的过程中被认定为是“具备学习能力的”，那么它一定需要展现出：利用现有的经验（E），不断改善其完成既定任务（T）的性能（P）的特质。
2、机器学习的三个关键术语
（1）任务
监督学习：关注对事物未知表现的预测，一般包括分类问题和回归问题。
分类问题：对其所在的类别进行预测，类别既是离散的，同时也是预先知道数量的。比如，根据一个人的身高、体重和三围等数据，预测其性别；根据一朵鸢尾花的花瓣、花萼的长宽等数据，判断其属于那个鸢尾花亚种。
回归问题：预测的目标往往是连续变量。比如，根据房屋的面积、地理位置、建筑年代等进行销售价格的预测。
无监督学习：倾向于对事物本身特性的分析，常用的技术包括数据降维和聚类问题。
数据降维：对事物的特性进行压缩和筛选。
聚类：依赖于数据的相似性，把相似的数据样本划分为一个簇。
（2）经验
特征：反映数据内在规律的信息。
监督学习：所拥有的经验包括特征和标记/目标两个部分。一般用一个特征向量来描述一个数据样本；标记/目标的表现形式则取决于监督学习的种类。
无监督学习：没有标记/目标，无法从事预测任务，适合对数据结构的分析。
备注：除了标记/目标的表现形式存在离散、连续变量的区别，从原始数据到特征向量转化的过程中也会遭遇多种数据类型：类别型特征，数值型特征，甚至是缺失的数据等。实际操作过程中，都需要把这些特征转化为具体的数值参与运算。
训练集：既有特征、同时也带有目标/标记的数据集。
（3）性能
所谓性能，便是评价所完成任务质量的指标。
测试集：具备相同特征的数据，将模型的预测结果同相对应的正确答案进行比对的数据集。
备注：需要保证出现在测试集的数据样本一定不能被用于模型训练，简而言之，
最低0.47元/天 解锁文章
扫一扫
843
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
