监督学习框架通用处理流程

1、机器学习可以简单地分为监督学习和无监督学习，对于监督学习可以分为分类问题和回归问题。

（1）分类：将实例数据划分到合适的分类中。
KNN(k-近邻算法)、决策树、朴素贝叶斯、Logistic回归、SVM(支持向量积)。

分类问题示意图

（2）回归：预测数值型数据，包括一元线性回归、多元线性回归、Logistic回归等。

关于这方面的详细介绍可以参见监督学习与无监督学习总结。

2、监督学习通用处理框架

对于监督学习，一般可以通过以下5个步骤来进行处理：

（1）数据采集和预处理；

数据采集及预处理。

（2）模型选择；

模型选择的一些基本思想和方法。

（3）确定代价函数与优化函数；

参考代价函数和代价函数总结。

（4）求解优化问题；

最优化问题简介

机器学习算法调优的一般步骤。

（5）对新的数据进行预测。

这个步骤比较简单，将数值带入模型得出计算结果即可。

参考资料：

统计学习（监督学习）框架总结