机器学习入门科普篇--系列二

机器学习入门科普篇--系列二

前言 python程序语言与机器学习实践可以称得上是”珠联璧合“。因为使用python编程技巧，接触甚至掌握机器学习的经典学习算法至少有以下四个优势。

　接着上一篇继续讲啦　

上一篇我们说了机器学习的特点、定义，其中讲了经验、任务和性能。任务上篇已经讲过了，现在我们来聊聊经验和性能。

经验

监督学习

对于监督学习问题，我们所拥有的经验包括特征和标签（Label/Target）两个部分。通常用特征向量（Feature Vector）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

无监督学习问题没有标记/目标，因此也无法从事预测任务，却更加适合对数据结构的分析。正是这个区别，我们可以获得大量的无监督学习数据；而监督数据的标注因为经常耗费大量的时间、金钱和人力，所以数据量相对量较少。

性能

注意

需要保证，出现在测试集中的数据样本一定不能被用于模型训练。即，训练集和测试集之间是彼此互斥的

预测类问题

对于预测类问题，更加关注预测的精度。具体来讲：分类问题，需要根据预测正确类别的百分比来评价其性能，这个指标通常称为准确性（Accuracy）；回归问题则无法使用类似的指标，通常会衡量预测值与实际值之间的偏差大小。

好了，机器学习的任务、经验和性能已经介绍完了，下面用一个示例描述一下；

例子

手写识别学习问题：
            任务T:识别和分类图像中的手写文字
            性能标准P：分类的正确率
           训练经验E：已知分类的手写文字数据库（知识库）

                       

今日赠言

离你越近的地方，路途越远；最简单的音调，需要最艰苦的练习。

——致还在路上的你

推荐阅读：

python 数据清洗篇

Python正则表达式指南

Python 禅道

python学习笔记

用Python来分析股票|发现炒股软件里惊人内幕

诺贝尔奖得主教你如何分配炒股仓位 | python量化系列

(视频讲解！！！)python量化 | 10年翻400倍的炒股策略

Python初探之一

Python常用的一些技巧

写给Python初学者的设计模式入门

Python在金融，数据分析，和人工智能中的应用

Python的编码命名规则

python 数组的del ,remove,pop区别

[笔记]使用Python一步一步地来进行数据分析

提升 Python 编程效率的十点建议

Python的zip函数

如何优雅的使用Python

Python初学者的17个技巧

Python 环境搭建

文本编辑器你容易忽视的细节

Python生态系统

Python 使用断言的最佳时机

Python在金融，数据分析，和人工智能中的应用

爬虫-漫画喵的100行逆袭

长按二维码即可关注哦--->

参考文献：

Python机器学习及实践

机器学习

Mitchell,T.M 《Machine Learning》