机器学习算法基础2-机器学习大致了解

文章目录

1.机器学习开发流程
2.机器学习模型是什么
3.机器学习算法判别依据
4.机器学习算法分类
- 1）监督学习
- 分类问题
- 回归问题
- 2）无监督学习

1.机器学习开发流程

2.机器学习模型是什么

3.机器学习算法判别依据

数据的类型将是机器学习模型不同问题不同处理的依据

数据类型
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，而且不能再细分，也不能进一步提高他们的精确度。
连续型数据：变量可以在某个范围内取任一数，即变量的取值可以是连续的，如，长度、时间、质量值等，这类整数通常是非整数，含有小数部分。
注：只要记住一点，离散型是区间内不可分，连续型是区间内可分

4.机器学习算法分类

1）监督学习

概念：（英语：Supervised learning），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）。

监督学习-有特征值与目标值
•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 (不做要求)

分类问题

**概念：**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；

分类问题应用：
分类在于根据其特性将数据“分门别类”，所以在许多领域都有广泛的应用

•在银行业务中，构建一个客户分类模型，按客户按照贷款风险的大小进行分类
•图像处理中，分类可以用来检测图像中是否有人脸出现，动物类别等
•手写识别中，分类可以用于识别手写的数字
•文本分类，这里的文本可以是新闻报道、网页、电子邮件、学术论文

回归问题

概念：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。

回归问题的应用
回归在多领域也有广泛的应用
•房价预测，根据某地历史房价数据，进行一个预测
•金融信息，每日股票走向

2）无监督学习

概念：英语：Supervised learning），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