目录
📚关于机器学习
📚监督学习和无监督学习
🐰监督学习
🐰无监督学习
👀小结
📚关于机器学习
🌈在计算机中，“经验”通常以数据的形式存在。机器学习最主要的一项工作就是基于数据产生“训练模型”，产生训练模型的过程就是机器学习算法实现的过程。和冒泡排序这类给定输入就能确定输出的算法不同，机器学习算法靠的是“猜”。机器学习会根据“猜”的结果，不断优化模型，从而得到正确率最高的模型。
- 模型：模型相当于一个“许愿池”，你向它许愿（输入数据），它就会帮你实现愿望（输出预测结果）。训练出一个优质的“许愿池”，使它能尽量精准地实现你许的“愿望”，这就是机器学习的目的。
- 数据集：数据集是承载数据的集合。如果说“模型”是“许愿池”，那么“数据集”就是“许愿池”里的水。没有数据集，那么模型就没有存在的意义。数据集可划分为“训练集”和“测试集”，它们分别在机器学习的“训练阶段”和“预测输出阶段”起着重要作用。
- 训练集&假设：训练过程中使用的数据称为“训练数据”，其中每一个样本称为“训练样本”，由训练样本组成的集合称为“训练集”。学得模型对应了关于数据的某种潜在的规律，因此亦成为“假设”。这种潜在的规律自身，又称为“真相”。学习的过程就是为了找出或逼近真相。
- 测试集：在获得“训练模型”后，我们还需要知道用该模型预测其他情况的结果的效果好不好，所以需要引入“测试集”，如果该模型也能够很好地预测出“测试集”的结果，那么我们可以认为“训练模型”非常接近“真相”。
- 分类&回归：若我们欲预测的结果是离散值，例如“好人”“坏人”，此类学习任务称为“分类”，若欲预测的是连续值，例如及格率为0.95,0.93，此类学习称为“回归”。
- 聚类：我们可以对数据进行“聚类”，相关算法将自动将训练集中的数据分成若干组，每组称为一个“簇”。这些自动形成的簇可能对应一些潜在的划分。
📚监督学习和无监督学习
🌈机器学习算法最主要的两个分类就是监督学习和无监督学习。此外，强化学习也叫半监督模型。
🐰监督学习
从给定的训练数据集中学习出一个函数（模型参数），当新的数据到来时，可根据这个函数预测结果。通俗来讲就是我们给计算机一组正确答案，计算机由这些正确答案学明白一个知识点，然后给它一个没做过的题，让他把题解出来。
监督学习的基本思想是对于数据集中的每个数据，都有相应的正确的答案，算法就是基于这些来预测的。我们知道输出应该是什么样子的。监督学习可分为回归问题与分类问题。
- 房价问题是回归问题，通过回归来预测一个连续值输出。
- 肿瘤问题是分类问题，它的目标是预测离散值输出。
🐰无监督学习
我们给算法大量的数据，希望它自动找出数据之间的耦合
无监督学习关键在于，它不是告诉计算机怎么做，而是让它自己去学习怎样做事情。输入数据没有被标记，也没有确定的结果，样本数据类别未知，需要根据样本间的相似性对样本集进行分类（聚类）试图使类内差距最小化，类间差距最大化。注意：聚类只是无监督学习中的一种。
👀小结
机器学习的主要任务：
1.监督学习的用途：k-近邻算法，线性回归，朴素贝叶斯算法，局部加权线性回归，支持向量机，Ridge回归，决策树，Lasso最小回归系数估计，
2.非监督学习的用途：K-均值，最大期望算法，DBSCAN，Parzen窗设计
- 监督学习必须要有训练集与测试样本。在训练集中找规律，而对测试样本使用这种规律。而非监督学习没有训练集，只有一组数据，在该数据集内寻找规律。
- 有监督学习就是识别事物，识别的结果表现在给待识别数据加上了标签。因此训练样本集必须由待标签的样本组成。
- 非监督学习只有要分析的数据集本身，预先没有什么标签。如果发现数据集呈现某种聚集性，则可按自然的聚集性分类。
参考博客
机器学习是什么？
监督学习与无监督学习
be happy——
