本文共 822 字,大约阅读时间需要 2 分钟。
算法是核心,数据和计算是基础
找准定位:
分析很多的数据
分析具体的业务
应用常见的算法
特征工程,调参数,优化
我们应该怎么做:
要学会分析问题,使用机器学习算法的目的,想要算法完成何种任务
掌握算法基本思想,学会对问题用相应的算法解决
学会利用库或者框架解决问题
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,又称计算数据,所以有这些数据全部是整数,而且不能在细分,也不能进一步提高他们的精准度连续型数据:变量可以在某个范围内任取一数,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。
~~
注意:离散型是区间内不可分,连续型是区间可分。
~~
数据类型的不同应用
监督学习(预测)(特征值+目标值):
无监督学习(特征值):
分类学习概念:
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,预测问题变成分类问题。最基础的便是二分类问题,即判断是非,从两个类型中选择一个作为预测结果;分类在很多领域都有广泛应用:银行业务中,图像处理中,手写识别中,文本分类等等
回归概念:
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,输出是连续性的值。回归在房价预测,金融信息等领域有广泛的应用。
建立模型:
转载地址:http://svcsi.baihongyu.com/