文章目录

• 前言
• 一、什么是机器学习
• 二、机器学习的一些应用场景
• 三、学习机器学习的过程
• 四、有监督学习和无监督学习
• 五、分类和回归
• 六、模型的泛化、过拟合与欠拟合

前言

《深入浅出Python机器学习》读书笔记，第一章概述

提示：以下是本篇文章正文内容

一、什么是机器学习

本意是指一种让计算机不经过明显编程的情况下，对数据进行学习，并且做出预测的方法，数据计算机科学领域的一个子集。

二、机器学习的一些应用场景

1. 智能推荐。例如淘宝的商品推荐，网易云音乐的歌曲推荐
2. 社交网络中的效果广告。给用户推送合适的广告
3. 互联网金融中的风控系统。根据过往数据，判断当前订单是否 是欺诈订单
4. 新闻资讯中的内容审查。判断新闻是否是虚假新闻，或者内容 是否违反国家 法律
5. 其他领域。如医疗中根据病史症状和化验结果找到病因； 智能物流、智能家居、无人驾驶等领域。
6. AlphaGo

三、学习机器学习的过程

1. 掌握一门语言
2. 学习机器学习的基本概念
3. 了解常见的算法
4. 掌握数据处理的技巧
5. 优化模型
6. 动手

四、有监督学习和无监督学习

1. 有监督学习是通过现有数据集进行建模，再用模型对新的数据样本进行分类或者回归分析的机器学习方法。有监督学习中，训练数据集一般包含样本特征变量及分类标签，机器学习使用不同的算法通过这些数据推断出分类的方法，并用在新的样本中。
2. 无监督学习是在没有训练数据集的情况下，对没有标签的数据分析并建立合适的模型，一遍给出解决方案的方法。在无监督学习中，场景的两种任务类型是数据转换和聚类分析。数据转换的目的是把复杂数据通过非监督算法进行简化。常见的转换方法是数据降维：通过对数据集进行分析，将无关紧要的维度去除，保留关键特征。聚类是把相似特征的数据分到不同的组。

五、分类和回归

1. 分类是对样本的类标签进行预测，判断样本属于哪个类别。通常分类是离散 的数值。
2. 回归分析是要预测一个连续的数值或范围。

六、模型的泛化、过拟合与欠拟合

1. 模型的泛化是指模型用来预测新数据时的好坏，如果对新数据预测依然准 确，说明泛化的准确度较好。
2. 过拟合是指拟合训练数据集时拟合很好，拟合测试数据集市很差的情况
3. 欠拟合指模型连训练数据集都拟合不好，测试数据集也很差的情况

下一篇：基于Python语言的环境配置

发布者：全栈程序员栈长，转载请注明出处：https://javaforall.cn/183486.html原文链接：https://javaforall.cn