機器學習入門知識

機器學習是什麽？

機器學習的定義有很多，我自己的理解是，機器學習是使機器擁有解決實際問題的能力，他能夠根據經驗數據分析現有的問題，進行分類和預測

有監督學習和無監督學習

面對要解決的問題首先分析是分類還是回歸問題，再進一步看看是監督學習的方法好還是無監督學習的方法好，監督學習是事前就將結果進行了標記，在監視的情況下看運行的結果，類似於圈套，對結果是具體的，而無監督學習沒有明確的結果

無監督學習是降維和聚類

有監督學習是線性回歸（單變量、多變量），邏輯回歸（LR）,神經網絡，支持向量機（svm），決策樹

下面來一一介紹他們的核心和基本應用

從易到難，由淺入深

監督學習中有個基本的模型EPT三要素，其中E是經驗，P是性能，T是任務

單變量線性回歸：

他的核心思想是以預測值與真實值de誤差平方和作為代價，再利用梯度下降的方法傳遞誤測，更新參數

基本應用：

明確目標，分析問題，加載數據，數據處理（數據壓縮，歸一化），數據標準化，帶入模型，進行訓練，通過代價函數提高性能，通過梯度下降的方法找到參數的最優解，得到模型

用測試集進行測試，看看準確率，指導自己的模型，提高泛化能力

插入知識----機器學習設計

面對一些訓練集和測試集還有交叉驗證集，常常會出現過擬合，欠擬合的問題，針對這些問題怎樣來進行調試

過擬合的產生原因是過於擬合訓練集的數據，於至於模型不能泛化，可以通過以下途徑來解決

1.是正則化，引入參數lamda，減小特征的權重，增加代價

機器學習八大算法