1. 機器學(xué)習(xí) 明白一些基本概念

什么是機器學(xué)習(xí)
研究如何通過計算的手段，利用經(jīng)驗來改善系統(tǒng)自身的性能
通俗來講，讓代碼學(xué)著干活

特征：自變量
標(biāo)簽：因變量

學(xué)習(xí)的種類
有監(jiān)督學(xué)習(xí)：提供標(biāo)簽，分類、回歸
無監(jiān)督學(xué)習(xí)：無標(biāo)簽，聚類
增強學(xué)習(xí)：也稱強化學(xué)習(xí)，馬爾科夫決策過程（Markov Decision Processes，MDP）
主動學(xué)習(xí)：邊學(xué)習(xí)邊標(biāo)注
遷移學(xué)習(xí)：從一個域（Domain）遷移（Transfer）到另一個域
集成學(xué)習(xí)：Ensemble，三個臭皮匠賽個諸葛亮，Boosting和Bagging

兩大痛點
維度災(zāi)難：數(shù)據(jù)量和特征數(shù)
過擬合：模型泛化能力

學(xué)習(xí)的流程
預(yù)處理：數(shù)據(jù)重塑、缺失值處理（補全、統(tǒng)計為缺失特征）
特征工程：特征沒做好，參數(shù)調(diào)到老。在已有的特征上生成新的特征，數(shù)值、類別
特征選擇、降維：基于MIC、Pearson相關(guān)系數(shù)、正則化方法、模型，PCA、tSNE
訓(xùn)練模型、調(diào)參：單模型，多模型融合，集成
評估模型：正確率（Acurracy）、準(zhǔn)確值（Pecision）、召回值（Recall）、F值、AUC

代碼實現(xiàn)
你需要的都在這里：http://scikit-learn.org/

用機器學(xué)習(xí)來賭香港賽馬
https://www.zhihu.com/question/35131866/answer/152880313
https://www.kaggle.com/lantanacamara/hong-kong-horse-racing

2. 機器學(xué)習(xí) 常用經(jīng)典模型及其實現(xiàn)

常用經(jīng)典模型
1.線性回歸：有監(jiān)督回歸，y=WX+b，X為m維向量，y、b為n維向量，W為n*m維矩陣
2.Logistic回歸：有監(jiān)督回歸，y=logit(WX+b)
3.貝葉斯：有監(jiān)督分類，最可能的分類是概率最大的分類
4.k近鄰：有監(jiān)督分類，kNN，距離的定義
5.決策樹：有監(jiān)督分類，樹形判斷分支，非線形邊界，+集成=隨機森林
6.支持向量機：有監(jiān)督分類，將原空間變換到另一空間，在新空間里尋找margin最大的分界面（hyperplane）
7.k-means：無監(jiān)督聚類，初始化中心，不斷迭代，EM算法
8.神經(jīng)網(wǎng)絡(luò)：有監(jiān)督和無監(jiān)督都有，詳情參見下一章，深度學(xué)習(xí)

實現(xiàn)之前的準(zhǔn)備
安裝scikit-learn：http://scikit-learn.org/
sklearn、numpy
>>> from sklearn import svm
>>> X = [[0, 0], [1, 1]]
>>> y = [0, 1]
>>> clf = svm.SVC()
>>> clf.fit(X, y)
SVC(C=1.0, cache_size=200, class_weight=None, coef0=0.0,
decision_function_shape=None, degree=3, gamma='auto', kernel='rbf',
max_iter=-1, probability=False, random_state=None, shrinking=True,
tol=0.001, verbose=False)
>>> clf.predict([[2., 2.]])
array([1])
一個簡單的例子：http://scikit-learn.org/stable/auto_examples/svm/plot_iris.html#sphx-glr-auto-examples-svm-plot-iris-py

轉(zhuǎn)載于:https://www.cnblogs.com/csj007523/p/7804144.html

總結(jié)

以上是生活随笔為你收集整理的机器学习 基本概念,常用经典模型的全部內(nèi)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(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。