1、机器学习简介
1、机器学习简介
1.1、排名前十数据挖掘算法
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。
十大机器学习算法：
| C4.5决策树 K-均值(K-mean) 支持向量机(SVM) Apriori 最大期望算法(EM) PageRank算法 AdaBoost算法 K-近邻算法(kNN) 朴素贝叶斯分类(NB) 分类回归树(CART) |
1.2、监督学习与非监督学习
监督学习：需要用户知道目标值，简单地说就是知道在数据中寻找什么。
无监督学习：无需知道用户搜寻的目标，只需要从算法中得到这些数据的共同特征。
监督学习：
1）、分类：按特性进行分类；
2）、回归：预测数值型数据；
无监督学习：
1）、聚类：将数据集合分成由类似的对象组成的多个类的过程称为聚类；
2）、密度估计：寻找描述数据统计值的过程
分类、回归、聚类、降维、推荐
1.3、开发机器学习应用程序的步骤
开发机器学习算法一般流程，首先得有训练数据，将这些数据通过机器学习算法进行处理，这个过程是训练；处理的结果被我们用来对新的数据进行预测，这个结果叫模型；对新数据进行预测的过程在机器学习中叫预测。
1）、收集数据
（如：爬虫）
2）、准备输入数据
（一些算法要求目标变量和特征值是字符串类型，而另一些算法可能要求是整数类型）
3）、分析输入数据
（这一步的主要作用是确保数据集中没有垃圾数据。通过一维、二维或三维图形展示也是不错的方法，然而大多数时候我们得到的特征值都不会低于三个，无法一次图形化展示所有特征）
4）、训练数据
（机器学习算法从这一步才真正开始学习，4与5步是机器学习算法的核心。如果使用无监督学习算法，由于不存在目标变量值，不需要进行训练数据，与算法相关的内容都集中在第5步）
5）、测试数据
（为了评估算法，必须测试算法的效果。对于监督学习，必须已知评估算法的目标变量值；对于无监督学习，也必须用其他的评测手段来检验算法的成功率）
6）、使用算法
（将算法转换为应用程序，执行实际的任务，以检验上述步骤在实际环境中是否正常工作）
特征值分为数值型和标称型
数值型是特征值得取值范围是无穷的；
标称值是特征值的取值范围是有穷个不通知，值之间无序
1.4、机器学习3要素
模型、策略、算法
模型：通常分为决策函数或条件概率分布
1.5、机器学习若干概念
1.5.1、交叉验证：将给定的数据集切分成训练集合测试集
训练集比例要足够多，一般大于总的数据集的一半
训练集和测试集要均匀抽样
1）、简单交叉验证：
简单交叉验证的方法是这样的，首先随机的将给定的数据分为两部分，一部分用于训练集，另一部分作为测试集（例如，70%的数据集作为训练集，剩下的30%数据集作为测试集），然后用训练集在各个不同条件下（不同的参数，不同的参数个数）训练模型，从而得到不同的模型，然后用测试集估计各个模型的测试误差，选出测试误差最小的模型。
2）、K折交叉验证：
K折交叉验证就是把样本数据随机地分为K个互不相交的大小相同的子集，每个子集均作一次测试集，剩余的作为训练集，重复K次，最后把K次的平均测试误差率作为最终的结果。通常情况下为了提高精度，还需要做多次K折交叉验证。10折交叉验证是K折交叉验证的特殊情况。
3）、留一交叉验证：
K折交叉验证的特殊情况是K=N，N为数据集的样本总数。称为留一交叉验证。意思是每个样本单独作一次测试集，剩余的作为训练集。留一交叉验证往往在数据缺乏的情况下使用。
1.5.2、泛化能力
泛化能力指由学习方法得到的模型对未知数据的预测能力。
概括地说，所谓泛化能力（generalization ability）是指机器学习算法对新样本的适应能力。学习的目的是学到隐含在数据背后的规律，对具有同一规律的学习集(训练数据集)以外的数据，经过训练的算法也能给出合适的输出，该能力称为泛化能力。
通常希望经训练样本训练的模型具有较强的泛化能力，也就是对新输入数据给出合理预测结果的能力。算法的性能主要用它的泛化能力来衡量
1.5.3、过拟合
1.5、Python实现机器学习算法
选择Python语言作为实现机器学习算法的编程语言：
1）、Python语法清晰、易于理解；
2）、易于操作纯文本文件、丰富的函数库（尤其是矩阵操作）；
3）、使用广泛，存有大量开发文档，活跃的开发者社区；
SciPy和NumPy等许多科学函数库都实现了向量和矩阵操作。
Python的科学工具可以与绘图工具Matplotlib协同工作。Matplotlib可以绘制2D、3D图形，也可以处理科学研究中经常使用的图形。