机器学习入门前准备

淡淡的烟草味﹌ 2022-06-03 09:59 188阅读 0赞

机器学习的意义：

不是单纯模仿的机器人，也不是具备人类感情的仿生人，机器学习的意义是利用计算机来挖掘数据背后的真实含义。

机器学习必备概念：

1 训练集，用于训练机器学习算法的数据样本集合，与之相对应的是测试集

2 特性，数据的不同属性，训练集不同的列，代表不同的维度

3目标变量，机器学习算法的预测结果，在分类算法中目标变量的类型通常是标称型的，而在回归算法中通常是连续型的。训练样本集必须确定知道目标变量的值，以便机器学习算法可以发现特征和目标变量之间的关系。

4知识表示，机器学习最终的产出

5 监督学习，有训练样本进行训练，有测试样本进行回归的学习方式

6 无监督学习，没有训练集支持训练，完全靠自己的建模。

机器学习的开发步骤：

1 收集数据，原始资料的收集，爬虫、传感器、实测数据等方式获得。

2 准备输入数据

因为第一步收集上来的数据不能直接使用，需要进行格式转化，转化成机器语言可以处理的格式。

3 分析输入数据（非必需）

再次人工干预确认是否有垃圾数据，能否用来进行学习

4 训练算法

监督学习，将前两步得到的格式化数据输入到算法，从中抽取知识或信息。

5 测试算法

测试算法的工作效果，如果是监督学习，需要测试集回归算法统计出错误概率

6 使用算法

将学习结果封装成应用程序，执行实际任务

需要掌握的基本公式：

欧氏距离公式（欧几里得度量）：(Xa,Ya)和(Xb,Yb)之间的距离是

d=开根号((Xb-Xa)\*\*2 + (Yb-Ya)\*\*2)

贝叶斯公式：反概率论用得到

P（A│B）\* P（B）= P（B│A）\* P（A）

翻译过来是概率B发生的前提下发生概率A的概率等于概率A发生的前提下概率B发生的概率

需要掌握一门机器学习的语言，这里我们使用Python，Python在运行效率上很慢，但是提供了很丰富的扩展包供我们使用，在编程上简洁易懂，是入门机器学习的不二语言。

Python扩展包的安装：

1 首先在自己脚本里执行下

import pip  
print (pip.pep425tags.get\_supported())

找到适合自己的扩展包的版本

2 扩展包的下载地址在：

[https://www.lfd.uci.edu/~gohlke/pythonlibs/\#mysql-python][https_www.lfd.uci.edu_gohlke_pythonlibs_mysql-python]

必备的包有numpy、matplotlib等，下载跟自己版本对应的whl文件

3 命令行执行pip installXXXX.whl文件，执行成功后会得到相应的文件夹，文件夹内是新的扩展模块

Numpy的矩阵(Matrix)和数组(array)使用起来很容易引起混淆，这两个概念需要加强了解，通过print()和内容排列看不出区别，这两个的差别主要在于运算。

Matrix\_A =

\[ \[1,4\]

\[3,2\] \]

Matrix\_B =

\[ \[2,1\]

\[1,3\] \]

矩阵相乘A\*B，A的第一行与B的第一列相乘得到0,0坐标的值（1\*2+4\*1=6）; A的第一行与B的第二列相乘得到0,1左标的值(1\*1+4\*3=13)；以此类推1,0左标值（3\*2+2\*1=8）；右下角是（3\*1+2\*3=9）

所以A\*B的结果是

\[ \[6,13\]

\[8,9\] \]

如果将矩阵换成数组的话，A\*B的结果是两个矩阵对应的左标相同的值进行相乘。0,0坐标的值（1\*2=2）; 0,1坐标的值(4\*1=4)；以此类推1,0左标值（3\*1=3）；右下角是（2\*3=6）

所以A\*B的结果是

\[ \[2,4\]

\[3,6\] \]

有了乘法的区别，可以理解阶乘也是有区别的。

A\*\*2，A是矩阵和A是数组的结果显然是不同的。

Numpy模块下矩阵和数组是可以通过numpy. asarray() 和 numpy. asmatrix()来进行转换的。

[https_www.lfd.uci.edu_gohlke_pythonlibs_mysql-python]: https://www.lfd.uci.edu/~gohlke/pythonlibs/#mysql-python

发表评论取消回复

表情：

评论列表（有 0 条评论，188人围观）

还没有评论，来说两句吧...

相关阅读

相关 C++入门前必看，超详细

C++入门必看，超详细，不详细打我哦！！

刺骨的言语ヽ痛彻心扉/ 2024年04月20日 14:26/ 0 赞/ 64 阅读

相关【机器学习】机器学习基础

一、机器学习概述 1、机器学习算法的判别依据 —— 数据类型 1. 离散型数据：由记录不同类别个体的数目所得到的数据，又称计数数据，所有这些数据全部都是整数，而且

快来打我*/ 2022年12月27日 07:11/ 0 赞/ 227 阅读

相关机器学习|机器学习方法

Stanford Ng课程（Coursera）正在进行中涉及到偏复杂的概率论的知识点都没讲。编程方面注重向量化实现，几乎每个coding assignment

以你之姓@/ 2022年07月13日 00:14/ 0 赞/ 365 阅读

相关机器学习入门前准备

机器学习的意义：不是单纯模仿的机器人，也不是具备人类感情的仿生人，机器学习的意义是利用计算机来挖掘数据背后的真实含义。机器学习必备概念： 1 训练集，用于训练机

淡淡的烟草味﹌/ 2022年06月03日 09:59/ 0 赞/ 189 阅读

相关超详细！上线一个机器学习项目你需要哪些准备？

原文链接：[点击打开链接][Link 1] 摘要： Canvas是用于设计和记录机器学习系统的模板。它比简单的文本文档具有优势，因为Canvas用简单的部件通过部件之间的相关

深藏阁楼爱情的钟/ 2022年05月26日 06:00/ 0 赞/ 157 阅读

相关 DSP入门前的背景知识

数字信号处理（Digital Signal Processing，简称DSP）是一门涉及许多学科而又广泛应用于许多领域的新兴学科。20世纪60年代以来，随着计算机和信

不念不忘少年蓝@/ 2022年05月23日 13:49/ 0 赞/ 170 阅读

相关机器学习比赛—杀入Kaggle Top 1%

最近准备参加一个算法比赛，想把自己所学的知识拿来用一用，在比赛初始自己没一点思路，突然看到知乎上有一个大神写了一篇博文，非常适合我这种刚入门的小白。本文转载来自：[http

淡淡的烟草味﹌/ 2022年05月16日 00:08/ 0 赞/ 218 阅读

相关机器学习——Bagging和Boosting的区别（面试准备）

Baggging 和Boosting都是模型融合的方法，可以将弱分类器融合之后形成一个强分类器，而且融合之后的效果会比最好的弱分类器更好。 Bagging: 先介绍B

忘是亡心i/ 2022年05月12日 01:34/ 0 赞/ 167 阅读

相关入门前端，你该怎么做？

前端学习心路最近在做一个人脸识别的小项目，团队已经给出了1.0解决方案，每一个部分的功能都开始完善了起来，似乎每一步都是那么的顺利。从最开始的技术选型到最后的技术

清疚/ 2022年05月03日 05:56/ 0 赞/ 211 阅读

相关智能机器时代，他们在准备着

时下大多数人都在关注着智能家居，思索着各种实现智能的形式。然而有这么一部分创客群体，他们瞄向的是下一个阶段更酷的东西：智能机器时代。这个时代并不会太久远，在万物相联的基础上

水深无声/ 2022年01月29日 04:51/ 0 赞/ 205 阅读