机器学习基础

明确：

　　算法是核心，数据和计算是基础

机器学习开发流程图：

　　

 

机器学习模型是什么：

定义：通过一种映射关系从输入值到输出值

 

 

机器学习算法分类：

监督学习：

• 分类：k-近邻算法、贝叶斯分类、决策树与随机森林、逻辑回归、神经网络
• 回归：线性回归、岭回归
• 标注：隐马尔可夫模型

无监督学习：

• 聚类  k-means

监督学习：

可以由输入数据中学
到或建立一个模型，并依此模式推测新的结果。输入数据是由
输入特征值和目标值所组成。函数的输出可以是一个连续的值
（称为回归），或是输出是有限个离散值（称作分类）。

无监督学习：

可以由输入数据中
学到或建立一个模型，并依此模式推测新的结果。输入数据是
由输入特征值所组成。

 

分类问题：

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

回归问题：

　　回归是监督学习的另一个重要问题。回归用于预测输入变量和输出变量之间的关系，输出是连续型的值。