机器学习1--机器入门介绍

朴灿烈づ我的快乐病毒、 2022-05-16 05:53 195阅读 0赞

## 1、为什么要学习机器学习？ ##

一个东西火都是有原因的，机器学习也是人工智能很重要的一个分支，未来趋势。可以应用在  
（1）**推荐系统**：淘宝，衣服穿搭，智能出行线路，大数据精准营销用户画像  
（2）**识别：**垃圾短信识别，国家电网客户用电分析，自动驾驶中的交通标志检测，监控中突发事件识别

## 2、机器学习是什么？ ##

2.1 定义：  
依据学习策略，读取海量的数据，发现其中的规律、联系从而获得归纳推理和决策能力  
三要素：海量数据，超强计算、优秀算法  
2.2 工作方式  
（1）**选择数据**，将原始数据分成三组 训练数据、验证数据、测试数据  
（2）**数据建模** 、用训练数据和相关特征构建模型  
（3）**验证模型** 用验证数据来验证模型效果如何，接着可以继续调整，类似模拟考试  
（4）**测试模型** 用测试数据测验证模型性能  
（5）**使用模型** 用新的数据做预测  
（6）**调优模型** 使用更多的数据，特征，参数来优化模型

## 2.3 相关算法 ##

![这里写图片描述][70]

2.4 机器学习过程  
（1）数据抽象  
（2）设置性能度量指标：避免出现过拟合和欠拟合  
（3）数据预处理  
（4）选定模型  
（5）训练及优化  
2.1.1监督式学习  
监督式学习的常见应用场景如分类问题和回归问题。常见监督式学习算法有决策树学习(ID3,C4.5等)，朴素贝叶斯分类，最小二乘回归，逻辑回归（Logistic Regression），支撑矢量机，集成方法以及反向传递神经网络（Back Propagation Neural Network）等等  
2.1.1非监督式  
在非监督式学习中，数据并不被特别标识，学习模型是为了推断出数据的一些内在结构。非监督学习的常见应用场景包括关联规则的学习以及聚类等。常见非监督学习算法包括奇异值分解、主成分分析，独立成分分析，Apriori算法以及k-Means算法等等。  
2.1.2半监督式学习  
半监督式学习的应用场景包括分类和回归，半监督学习的算法包括一些对常用监督式学习算法的延伸，这些算法首先试图对未标识数据进行建模，在此基础上再对标识的数据进行预测。如图论推理算法（Graph Inference）或者拉普拉斯支持向量机（Laplacian SVM）等。  
2.1.3强化学习  
在这种学习模式下，输入数据作为对模型的反馈，不像监督模型那样，输入数据仅仅是作为一个检查模型对错的方式，在强化学习下，输入数据直接反馈到模型，模型必须对此立刻作出调整。强化学习的常见应用场景包括动态系统以及机器人控制等。强化学习的常见算法包括Q-Learning以及时间差学习（Temporal difference learning）  
2.2 机器学习过程  
（1）数据抽象  
（2）设置性能度量指标：避免出现过拟合和欠拟合  
（3）数据预处理  
（4）选定模型  
（5）训练及优化  
3 常用的算法  
3.1回归算法  
试图用函数或者是对误差的衡量来反映变量之间的映射关系  
最小二乘法（Ordinary Least Square），逻辑回归（Logistic Regression），逐步式回归（Stepwise Regression），多元自适应回归样条（Multivariate Adaptive Regression Splines）以及本地散点平滑估计（Locally Estimated Scatterplot Smoothing）。  
通常，回归可以被用于在现实世界的应用，用来预测未来某一个点的状况  
度量营销活动的成功率  
预测某一产品的收入  
在一个特定的日子里会发生地震吗？  
3.2基于实例的算法  
通常先选取一批样本，利用后来的数据与样本数据的相似性来进行预测，从而找到最佳匹配不，所以又叫基于记忆的学习。常见的算法包括 k-Nearest Neighbor(KNN), 学习矢量量化（Learning Vector Quantization， LVQ），以及自组织映射算法（Self-Organizing Map ， SOM）。  
3.3正则化算法  
正则化通常是回归算法的延伸，加入了惩罚因子，简单模型予以奖励而对复杂算法予以惩罚。

[70]: /images/20220516/298342164ae84fa68f5e63e159c1da03.png