机器学习基础

(一) 什么是机器学习

	机器学习	传统算法
基本思想	让机器去学习	让机器去执行
解决思路	输入大量训练数据获得模型	编写规则 定义分类

注意：传统的计算机解决方法思路 需要定义规则 然而现实生活中规则很难定义，且处于不断变化中，于是模仿人类的学习方式 计算机学家提出了机器学习的概念。

机器学习与人类学习

（二）机器学习中的数据

数据举例

注意：
数据的整体被称作一个数据集（DataSet）
每一行数据 称作 一个样本
每一行的最后一列称作样本的标记 其余列为样本的特征
样本的数个特征组成特征向量X 把特征作为变量可以表示一个特征空间。 分类任务的本质就是对特征空间的切分
特征不一定都具有语意，它可以很抽象，例如使用像素点。

（三）机器学习任务

为了解决高度不确定的世界中的相关问题

机器学习的任务

（四）机器学习分类

分类

训练集相关的算法

通常 首先使用非监督学习算法对数据进行预处理 通常有

1. 聚类分析
2. 降维处理
3. 异常检测

最后 再使用监督学习算法进行学习

（五）如何选择机器学习算法

具体问题具体分析，只有具体到特定问题，对各种算法进行实验对比，通过实验的结果才能说哪种算法更好