以下内容，皆为原创，实属不易，请各位帅锅，镁铝点点赞赞和关注吧！

好戏开场了。

一.什么是机器学习

        机器学习就是从数据中自动分析获取模型（总结出的数据），并训练模型，去预测数据。

        内心独白：就好比我们人从日常生活中，归纳总结得出经验。利用总结的经验去得出最佳策略。 举个例子：机器从数据（大量的猫狗图片）中自动分析得到模型（辨别猫狗的规律），从而使得猫狗拥有辨别猫狗的能力。懂？？比如这就是一个猫。哈哈哈。
        

二.数据集构成 

        结构：特征值+目标值（一般最后一列就是目标值）

        注：每一行数据作为样本。        有些数据集可以没有目标值。

三.机器学习算法分类

        我这里是按照目标值的不同分的，简单看看就行，下面我仔细给大家分类一下。

               监督学习（有目标值，预测）：

                        目标值：类别（是猫还是狗）-----分类问题

                        目标值：预测连续型的数据--------回归问题（线性回归等等）

                目标值：无-----------------------------无监督学习

• 监督学习

  • 定义：输入数据是有特征值和目标值组成。函数的输出可以是一个连续的值（成为回归）。或者是输出是有限个离散值（成为分类）

  • 分类：k-紧邻算法，贝叶斯分类，决策树和随机森林，逻辑回归

  • 回归：线性回归，岭回归

• 无监督学习
  • 定义：输入数据是由输入特征值组成
  • 聚类：k-means

四.机器学习开发流程

1. 获取数据（有数据你才能得到模型啊）
2. 数据预处理（把那些无用的数据删掉，比如：空值，无意义的，乱码）
3. 特征工程（对特征值进行处理）
4. 机器学习算法训练--模型
5. 模型评估（如果模型不行的话，从第二步开始重新看看，再优化一下，直到模型评估良好）
6. 应用（模型好了，我们才能应用）       

内心独白：很简单啊，机器学习不就是从数据中自动分析获取模型并预测数据嘛，一句话的事。机器学习开发的流程也还可以吧~~。首先，你肯定要有数据，对数据进行预处理，然后训练模型，模型评估。如果评估差了，就重新从数据预处理看看，还有哪些还可以优化的地方。