机器学习 笔记（一）机器学习定义、数据集构成、机器学习算法分类、机器学习开发流程

参考资料

---

视频链接

一、机器学习的定义

---

关键词 ： 数据、 模型、预测

定义：机器学习是从数据中自动分析获得模型，并利用模型对未知数据进行预测。

人类从大量的日常经验中归纳规律，当面临新的问题的时候，就可以利用以往总结的规律去分析现实状况，采取最佳策略

二、数据集构成

构成元素：特征值 + 目标值

	房子面积	房子位置	房子楼层	房子朝向	目标值
数据1	80	9	3	0	80
数据2	100	9	5	1	120
数据3	80	10	3	0	100

• 每一行数据称为 样本

• 有的数据集可以没有目标值

三、机器学习算法分类

---

学习目标

• 目标
  • 说明机器学习算法监督学习与无监督学习的区别
  • 说明监督学习中的分类、回归特点

3.1 白话理解

特征值（案例)	目标值（案例）	类别
猫 / 狗 的图片	猫 / 狗 的类别	分类问题
房价的各个属性信息	房屋价格 -连续型数据	回归问题
人物的各个属性信息	无	无监督学习

总结：根据目标值来区分问题类型

• 类别 -> 分类

• 连续型数据 -> 回归

• 无目标值 -> 无监督学习 （聚类）

3.2 练习题

1. 预测明天的气温是多少度？ 回归
2. 预测明天是阴、晴还是雨？ 分类
3. 人脸年龄预测？回归（具体年龄）/ 分类 （老少）
4. 人脸识别？ 分类

3.3 官方概念

• 监督学习 (supervised learning) (预测)
  • 定义：输入数据是由输入特征值和目标值所组成。函数的输出可以是一个连续的值（称为回归），或是输出有限个离散值（称作分类）
  • 分类常见算法：k-近邻算法、贝叶斯分类、决策树与随机森林、逻辑回归
  • 回归常见算法：线性回归、岭回归
• 无监督学习（unsupervised learning)
  • 定义：输入数据是由输入特征值所组成的
  • 常见算法：聚类 k-means

四、机器学习开发流程

---

1. 获取数据
2. 数据处理
3. 特征工程
4. 机器学习算法训练 - 模型
5. 模型评估
6. 应用

学习目标：

• 学会分析问题，使用机器学习算法的目的，想要算法完成哪种任务
• 掌握算法基本思想，学会对问题用相应的算法解决
• 学会利用库或者框架解决问题

机器学习库与框架参考：

书籍资料参考：

五、总结与收获

---

机器学习的三大关键因素是数据、模型、预测。

人工智能 > 机器学习 > 深度学习

逻辑回归居然是分类算法而不是回归算法。

分类与回归的区别在于目标值是类别还是连续型的数据

机器学习的过程：数据获取、处理 -> 特征工程 -> 机器学习算法训练构建模型 -> 模型评估

笔者在本学期的机器学习课程里做的最多就是"特征工程"， 但因为数学基础较差，评估结果往往不尽人意，最主要的原因还是知识面太少，比如对字段的了解程度、统计学知识的运用等。

现阶段只需要会使用现成的机器学习算法来预测结果就好。

笔者打算系统整理机器学习的知识，将来在做推荐系统的时候会以机器学习为基础，比如一个商品推荐系统的项目就需要用到机器学习的相关知识。

最后需要实现的目标：在拿到一个数据集，能对数据集进行一些处理，并使用机器学习算法对数据进行模型构建，最后再拿这个模型去预测没有目标值的特征值数据。