機器學習基礎

機器學習能讓我們自數據集中受到啟發，換句話說利用計算機來彰顯數據背后的真實含義。

機器學習在日常生活中的應用

人臉識別

手寫數字識別

垃圾郵件過濾

電商的產品推薦

天氣預測

疾病診斷

…

何為機器學習

機器學習就是把無序的數據轉換成有用的信息

機器學習用到統計學，為什么用統計學呢？

在現實生活中，并不是每一個問題都存在確定的解決方案。在很多時候，我們都無法透徹地理解問題，或者沒有足夠的計算資源為問題精確建立模型，例如我們無法給人類活動的動機建立模型。為了解決這些問題，我們需要用到統計學知識。

關鍵術語

專家系統（如：鳥類分類系統）

特征feature（屬性attributes）（如：鳥的體重、翼展、背后顏色）

機器學習的主要任務就是分類（從眾多其他鳥類中分辨出啄木鳥）

決定使用某個機器學習算法進行分類，首先要做的算法訓練，即如何如何分類。

通常我們為算法輸入大量已分類數據作為訓練集

上圖表包含6個訓練樣本的訓練集

上圖闡述特征與目標變量Target Variable

目標變量是機器學習算法的預測結果

訓練樣本集必須確定知道目標變量的值，以便機器學習算法可以發現特征和目標變量之間的關系。

為了測試機器學習算法的效果，通常使用兩套獨立的樣品集：訓練數據和測試數據。

比較測試樣品預測的慕不愛變量值與實際樣品類別之間的差距，就可以得出算法的實際精確度。

知識表示knowledge representation：假定這個鳥類分類程序，經過測試滿足精確度要求，是否我們就可以看到機器已經學會了如何區分不同的鳥類？這個工作稱之為知識表示。知識表示可以采用規則集的形式，也可以采用概率分布形式，甚至可以是訓練樣品集中的一個實例。

機器學習的主要任務

• 監督學習（這類算法必須知道預測什么，即目標變量的分類信息）

• 分類（主要任務是將實例數據劃分為合適的分類中）
• 回歸（主要用于數值型數據,例子：通過給定數據點的最優擬合曲線）

• 無監督學習（此時數據沒有類別信息，也不會給定目標類）

• 聚類（將數據集合分成由類似的對象組成的多個類的過程）
• 密度估計（尋找描述數據統計值的過程）
• 可以減少數據特征的維度，以便可以使用二維或三維圖形更加直觀地展示數據

機器學習用到的算法

如何選擇合適的算法

必須考慮下面兩個問題：

1.使用機器學習算法的目的，想要完成何種任務？（注意這不是一成不變的）

if(想要預測目標變量的值){//監督學習算法if(目標變量類型值 == 離散型){//是，否）1、2、3）紅、黑、黃）分類算法}else if(目標變量類型值 == 連續型){//0~100,-999~999回歸算法} }else{//無監督學習算法if(將數據劃分為離散的組){聚類算法}if(將數據劃分為離散的組&&估計數據與每個分組的相似程度){密度估計算法}}

2.需要分析或收集的數據是什么？

主要應該了解數據的以下特征：特征值是離散型變量還是連續型變量，特征值中是否存在缺失的值，何種原因造成缺失值，數據中是否存在異常值，某個特征發生的頻率如何等等。

開發機器學習應用程序的步驟

收集數據

準備輸入數據

分析輸入數據

訓練算法

測試算法

使用算法

使用Python為機器學習算法語言

本書要安裝Python2

其語法清晰

易于操作純文本文件

有很好的生態支持

安裝NumPy庫

機器學習算法涉及很多線性代數知識

pip install numpy

---

numpy初體驗

hellonumpy.py

# -*- coding: utf-8 -*- from numpy import *array = random.rand(4, 4)print array#隨機4 * 4數組 print "----------------------------------------"randMat = mat(array) #數組轉換成矩陣print randMat print "----------------------------------------"invRandMat = randMat.I #矩陣求逆print invRandMat print "----------------------------------------"myEye = randMat * invRandMat#矩陣相乘print myEye print "----------------------------------------"pure = myEye - eye(4, 4)#eye(4, 4) 創建單位矩陣print pure""" [[0.59774478 0.27667655 0.83676654 0.34214905][0.15510116 0.34282224 0.67390717 0.82408148][0.74861786 0.72573314 0.76544715 0.04513842][0.73328569 0.08812684 0.72491471 0.48711059]] ---------------------------------------- [[0.59774478 0.27667655 0.83676654 0.34214905][0.15510116 0.34282224 0.67390717 0.82408148][0.74861786 0.72573314 0.76544715 0.04513842][0.73328569 0.08812684 0.72491471 0.48711059]] ---------------------------------------- [[-3.08488433 -0.49366735 1.05662269 2.90410042][-2.21556483 0.95867519 1.79791501 -0.23224319][ 5.28389187 -0.50394398 -1.44547134 -2.72492819][-2.81870016 1.319681 0.2352496 1.77838899]] ---------------------------------------- [[ 1.00000000e+00 1.11022302e-16 1.38777878e-17 1.11022302e-16][-4.44089210e-16 1.00000000e+00 1.38777878e-16 2.22044605e-16][-3.60822483e-16 2.08166817e-17 1.00000000e+00 -8.32667268e-17][-6.66133815e-16 1.11022302e-16 -1.66533454e-16 1.00000000e+00]] ---------------------------------------- [[ 0.00000000e+00 1.11022302e-16 1.38777878e-17 1.11022302e-16][-4.44089210e-16 0.00000000e+00 1.38777878e-16 2.22044605e-16][-3.60822483e-16 2.08166817e-17 -1.11022302e-16 -8.32667268e-17][-6.66133815e-16 1.11022302e-16 -1.66533454e-16 0.00000000e+00]] """

總結

以上是生活随笔為你收集整理的《机器学习实战》笔记（01）：机器学习基础的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。