(3)机器学习入门

1 理解机器学习

1.1机器学习的基本思路

从语义层次看，机器学习是指计算机能模拟人的学习行为，通过学习获取知识和技能 ，不断改善性能，实现自我完善。

 三个关键要素：

如果一个计算机系统在完成某一类任务T的性能P能够随着经验E而改进，则 称该系统在从经验E中学习，并将此系统称为一个学习系统

 1.2常见应用

 1.3基本类型

 分为：有监督学习、无监督学习、强化学习

 有监督学习：有具体的目标任务，比如过滤垃圾邮件，将y分为两类0或1，表示是否为垃圾文件，预测直接将其进行标记分类。

 

无监督学习：无具体的目标任务，比如主成分分析，聚类分析。

(28条消息) 机器学习两种方法——监督学习和无监督学习（通俗理解）_风翼冰舟的博客-CSDN博客

2机器学习流程

2.1流程

0.收集数据

1.对数据集进行预处理

包含数据预处理及特征提取

2.划分数据集（训练集、测试集、验证集）

3.训练测试模型

4.评估模型

5 优化模型

 

2.2模型选择

 

•如果目标变量是数值型变量，建立回归方程（多变量数学表达式）

•如果目标变量是类别型变量，建立分类模型（类概率估计模型）

3初步了解sklearn库

•Sklearn是Python提供的非常强大的机器学习库，节省编写代码的时间减少代码量 •Sklearn 提供监督和无监督学习的方法

scikit-learn中文社区

•Sklearn 包含两大类函数：估计器(Estimator)和转化器(Transformer)

估计器(estimator)是⼀个重要的⾓⾊，分类和回归模型都属于estimator，是实现算法的API，使用时调用。

估计器的流程：数据划分为训练集和测试集。训练集包括x_train、y_train, 调⽤fit传⼊x_train、y_train,；模型建⽴好之后查看预测数据准确与否，输⼊测试集的数据x_test、y_test, 调⽤predict(x_test)， 每个算法都包括score⽅法，查看预测的准确性 score(x_test,y_test)，