瞿炜机器学习机器学习实战

转载

智能领航员 2024-09-01 21:50:43

文章标签 瞿炜机器学习机器学习算法人工智能数据 文章分类 机器学习人工智能

第一章机器学习

1.1何谓机器学习
1.2关键术语
1.3机器学习的主要任务
1.4如何选择合适的算法
1.5开发机器学习应用程序的步骤
1.6Python语言的优势

1.1何谓机器学习

1、简单地说，机器学习就是把无序的数据转换成有用的信息；
2、机器学习能让我们自数据集中受启发，我们会利用计算机来彰显数据背后的真实含义；
3、机器学习横跨计算机科学、工程技术和统计学等多个学科，需要多学科的专业知识。

1.2关键术语

1、特征或者属性：数值型（十进制）、二值型（有/无或0/1）、枚举型（鸟类后背颜色）；
2、特征或者属性通常是训练样本集的列，它们是独立测量得到的结果，多特征联系在一起共同组成一个训练样本。

1.3机器学习的主要任务

1、机器学习的主要任务就是分类，另一项任务是回归，它主要用于预测数值型数据；
2、分类和回归属于监督学习，之所以称为监督学习，是因为这类算法必须知道预测什么，即目标变量的分类信息；
3、与监督学习相对应的是无监督学习，此时数据没有类别信息，也不会给定目标值。在无监督学习中，将数据集合分成有类似的对象组成的多个类的过程被称为聚类，将寻找描述数据统计值的过程称之为密度估计。并且无监督学习可以减少数据特征的维度，以便我们可以使用二维或三维图形更加直观地展示数据信息。
下表列出了机器学习的主要任务以及解决相应问题的算法：

监督学习的用途
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
无监督学习的用途
K-均值	最大期望算法
DBSCAN	Parzen窗设计

1.4如何选择合适的算法

1、首先考虑使用机器学习的目的：如果想要预测目标变量的值，则可以选择监督学习算法，否则选择无监督学习算法。
选择监督学习算法之后，需要进一步确定目标变量类型。如果目标变量是离散型，如是/否、1/2/3、A/B/C，或者红/黑/蓝，则可以选择分类算法。如果目标变量是连续性的数值，如0.0-100.00、-999-999等，则选择回归算法。
选择无监督学习算法之后，进一步分析是否需要将数据划分为离散的组，如果这是唯一的要求，则使用聚类算法。如果需要估计数据与每个分组的相似程度，则需要使用密度估计算法。
2、其次需要分析或收集的数据是什么。充分了解数据特性可以缩短选择机器学习算法的时间。

1.5开发机器学习应用程序的步骤

1、收集数据
2、准备输入数据
3、分析输入数据：主要是人工分析数据，查看数据是否为空值、是否存在明显异常值。
4、训练算法：如果使用无监督学习算法，由于不存在目标变量值，不需要训练算法。
5、测试算法：为了评估算法，必须测试算法工作的效果。如果不满意算法的输出结果，则可以回到第四步，改正并加以测试。
6、使用算法：将机器学习算法转换为应用程序，执行实际任务。如果碰到新的数据问题，同样需要重复执行上述的步骤。