机器学习算法入门介绍

本文共涉及三个问题&＃xff1a;

1.机器学习开发流程

2.机器学习算法分类

3.机器学习模型是什么

我们做什么&＃xff1f;

• 分析大量数据
• 分析具体业务
• 应用常见算法

• 特征工程、调参数、优化

  我们应该怎么做&＃xff1f;

• 学会分析问题&＃xff0c;使用机器学习算法的目的&＃xff0c;想要算法完成何种任务。

• 掌握算法基本思想&＃xff0c;学会对问题用相应的算法解决。
• 学会利用哭或者框架解决问题。

机器学习算法的判别依据

机器学习算法的分类

监督学习包括&＃xff1a;特征值&＃43;目标值
无监督学习包括&＃xff1a;特征值
监督学习中&＃xff0c;分类算法的目标值是离散型&＃xff0c;回归算法的目标值是连续型。

监督学习和无监督学习

监督学习&＃xff08;Supervised learning&＃xff09; &＃xff1a;可以从输入数据中学习或建立一个模型&＃xff0c;并以此模式推测新的结果。输入数据是由特征值和目标值组成。函数的输出值可以是一个连续的值&＃xff08;称为回归&＃xff09;&＃xff0c;也可以是一个离散的值&＃xff08;称为分类&＃xff09;。

分类是监督学习的一个核心问题&＃xff0c;在监督学习中&＃xff0c;当输出变量取有限个离散值时&＃xff0c;预测问题变为分类问题。最基础的便是二分类问题&＃xff0c;即判断是非&＃xff0c;从两个类别中选择一个作为预测结果。

回归是监督学习的另一个核心问题&＃xff0c;回归用于预测输入变量和输出变量之间的关系&＃xff0c;输出是连续型的值。

无监督学习&＃xff08;unSupervised learning&＃xff09;&＃xff1a;可以从输入数据中学习或建立一个模型&＃xff0c;并以此模式推测新的结果。输入数据是由特征值组成。

分类问题的应用&＃xff1a;

回归问题的应用&＃xff1a;

机器学习开发流程

1.原始数据&＃xff0c;明确问题&＃xff0c;要做什么&＃xff08;建立模型&＃xff0c;根据数据类型划分应用种类&＃xff09;
2.数据的基本处理&＃xff1a;pd处理数据&＃xff08;缺失值、合并表…&＃xff09;
3.特征工程&＃xff08;特征处理&＃xff0c;特征抽取、降维…&＃xff09;
4.找到合适的算法进行预测
5.模型的评估&＃xff0c;判定效果。
6.如果模型评估合格&＃xff0c;达到期望值&＃xff0c;如准确率百分之九十八以上。上线使用&＃xff0c;以API形式提供。
7.如果模型评估不合格&＃xff0c;则可以更换算法或者再次进行特征工程处理&＃xff0c;然后再次进行模型评估。

机器学习模型是什么

模型&＃xff1a;算法&＃43;数据