机器学习入门

机器学习算法

    机器学习算法可以分为传统的机器学习算法和深度学习。传统机器学习算法主要包括以下五类：

 回归：建立一个回归方程来预测目标值，用于连续型分布预测
分类：给定大量带标签的数据，计算出未知标签样本的标签取值
聚类：将不带标签的数据根据距离聚集成不同的簇，每一簇数据有共同的特征
关联分析：计算出数据之间的频繁项集合
降维：原高维空间中的数据点映射到低维度的空间中

线性回归：找到一条直线来预测目标值

线性回归的应用非常广泛，例如：
预测客户终生价值： 基于老客户历史数据与客户生命周期的关联关系，建立线性回归模型，预测新客户的终生价值，进而开展针对性的活动。

   **机场客流量分布预测**： 以海量机场WiFi数据及安检登机值机数据，通过数据算法实现机场航站楼客流分析与预测。

   **货币基金资金流入流出预测**： 通过用户基本信息数据、用户申购赎回数据、收益率表和银行间拆借利率等信息，对用户的申购赎回数据的把握，精准预测未来每日的资金流入流出情况。

   **电影票房预测**： 依据历史票房数据、影评数据、舆情数据等互联网公众数据，对电影票房进行预测。

逻辑回归：找到一条直线来分类数据

逻辑回归虽然名字叫回归，却是属于分类算法，是通过Sigmoid函数将线性函数的结果映射到Sigmoid函数中，预估事件出现的概率并分类。
Sigmoid是归一化的函数，可以把连续数值转化为0到1的范围，提供了一种将连续型的数据离散化为离散型数据的方法。
因此，逻辑回归从直观上来说是画出了一条分类线。位于分类线一侧的数据，概率>0.5,属于分类A；位于分类线另一侧的数据，概率<0.5,属于分类B。

K-近邻：用距离度量最相邻的分类标签

可以使用K近邻算法，其工作原理如下：
    
   1. 计算样本数据中的点与当前点之间的距离
   2.算法提取样本最相似数据(最近邻)的分类标签
   3. 确定前k个点所在类别的出现频率. 一般只选择样本数据集中前k个   最相似的数据，这就是k-近邻算法中k的出处，通常k是不大于20的整数
   4.返回前k个点所出现频率最高的类别作为当前点的预测分类
 
使用K近邻算法的进行识别的具体步骤为：

    1.首先将每个图片处理为具有相同的色彩和大小：宽高是32像素x32像素。
    2.将3232的二进制图像矩阵转换成11024的测试向量。
    3.将训练样本储存在训练矩阵中，创建一个m行1024列的训练矩阵，矩阵的每行数据存储一个图像。
    4.计算目标样本与训练样本的距离，选择前