机器学习---基础算法简介

什么是机器学习？
机器学习就是拟人，计算机使用目前已有的数据，将其代入算法，然后训练出模型，最后使用模型进行预测等等

机器学习的分类：
R语言、MLlib、Mahout、Python、Spark

有一句话：失败是成功之母，但是不适用于机器学习领域，因为如果使用了错误的数据，那么只能产生错误的结果

对于机器学习，怎样优化训练出来的模型？
1.为了优化模型，如果算法保持不变的情况下，可以增加数据量或者提高数据的准确性
2.微数据进行相应的调整和变化，可以增加维度，从而保证模型的可靠性

一元线性回归：
最小二乘法：平方求和开根号
在机器学习中，没有完美解，只有最优解(Error 误差最小的时候，就是最优解)，将一元线性回归算法应用到机器学习中，可以设置迭代，同时设置一个阈值，当达到阈值的时候，为最优解

逻辑回归：

多元线性回归：
表示两个变量服从一条直线的紧密度，由相关系数决定
1.相关系数的范围为-1到1，-1为负相关，1为正相关

神经网络：
神经网络是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。
神经网络的网络拓扑层分为三部分：输入节点—-隐藏节点—-输出节点

理论上，神经网络可以做任何的模型计算，但是神经网络也有自己的缺点：
1.神经网络的系数很多，系数难以解释，可读性差
2.神经网络计算速度很慢
3.容易产生过拟合现象

过拟合现象：
也可以称之为拟合过度，试想一下，如果在训练过程中，有脏数据（就是跟训练模型无关的数据），那么由于脏数据的存在，使得一个正确的数据本来可以通过模型而没有，因此会产生过拟合现象