本文共 822 字，大约阅读时间需要 2 分钟。

机器学习算法分类以及开发流程

1.机器学习的模型是什么

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

2. 机器学习算法分类

监督学习（预测）(特征值+目标值）：

• 分类（目标值离散型） 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 （目标值连续性） 线性回归、岭回归
• 标注 隐马尔可夫模型

无监督学习（特征值）:

• 聚类 k-means

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。

3. 机器学习的开发流程*

建立模型：

1. 原始数据明确问题做什么
2. 数据的基本处理：pd去处理数据（缺失值，和别那个表……）
3. 特征工程（特征进行处理）
4. 找到合适的算法进行预测（分类和回归）
5. 模型的评估，判定效果（模型=算法+数据）
   当5步骤没有合格时进行
   1.换算法 参数
   2.特征工程
   循环……

转载地址：http://svcsi.baihongyu.com/