机器学习简介

机器学习

机器学习的本质就是借助数学模型理解数据。当给模型装上可以适应观测数据的可调参数时，“学习”就开始了；此时的程序被认为具有从数据中“学习”的能力。一旦模型可以拟合旧的观测数据，那么它们就可以预测并解释新的观测数据。

机器学习的分类

 

 

 

机器学习应用的定性示例

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

小结

 

 

 

 

 

 

 

 

Scikit-Learn

而从机器学习的角度来看，Scikit-learn库中所包含的每种典型的API是一个完整的机器学习例子。只不过这里的例子更多的偏重于代码实现，也就是实践；而机器学习更多地是在阐述理论性方面的知识。

 

对于Scikit-learn库而言，它的主要使命在于为机器学习学科领域内的各种问题解决的算法提供具体的类或者API的实现。也得益于此，在实际解决需要机器学习或深度学习才能帮忙实现的问题时，往往就只需要做好三件事：

 

1、确定本问题属于哪一类型的数据，这里的类型大体分为：监督型机器学习问题与非监督型机器学习问题；

2、确定哪一种具体的机器学习算法，这里在确定算法前需要确保我们已经清楚当前的问题属于那一类型的问题；

3、在Scikit-learn包中选择与所选择的机器学习算法相关的具体类或API，按照既定的机器学习解决问题的套路来实现。

 

比较典型的套路：准备好数据、特征提取、分离测试集与验证集、建立并训练学习模型、验证模型有效性、预测。

 

 

 

参考：数据科学手册