机器学习 sklearn

一、什么是机器学习？机器学习的方法是什么？

个人理解：机器学习是输入数据、设定模型，通过现有的数据进行学习，当传入新的数据时会根据之前的学习对新数据进行预测。

机器学习的方法基于数据存在一定的规律产生一定的模型的算法，又称学习算法。

二、机器学习的分类有哪些？

 有监督学习、半监督学习、无监督学习、强化学习

1.有监督学习

1.1 定义

数据有标签、有特征

大致思路：针对数据的特征和标签之间的关联性进行建模，模型确定后，可以应用到新数据上的一种学习算法。

1.2学习过程及任务

输入已知的特征和标签，训练模型，输入新的特征得到预测的标签，查看模型的评估效果（就是将预测的标签与已知的标签进行对比）

任务分为：分类 classification  和 回归 regression

标签的数据类型：分类任务的标签是离散型数据；回归任务的标签是连续型数据

2.半监督学习

介于有监督学习和无监督学习之间，应用于数据不完整的情况

3.无监督学习

3.1定义

数据不带任何标签

针对不带任何标签的数据特征进行建模（数据自己介绍自己）的一种学习算法

3.2学习任务

聚类 clustering 和 降维 dimensionality reduction

聚类算法：对数据划分类别

降维算法：数据规律用简洁的形式表现

# 有监督学习和无监督学习的归纳

有监督学习：数据有特征、标签    分类、回归算法

无监督学习：数据无任何标签      聚类、降维算法

4.强化学习

以‘试错’的方式学习，依据自身的状态和动作实时改动以适应环境，不停的试探评价以达到最佳的效果。

三、常接触的学习算法

1.有监督学习

k近邻算法（KNN）、决策树、朴素贝叶斯、回归家族等

2.无监督学习

聚类算法、降维（主成分PCA）等

以上是本人所知的一些算法进行了汇总，不够全面，请谅解。