“ 分享一些机器学习的基础。”
机器学习、人工智能应该是近几年最火的关键词之一了。今天分享一些机器学习的基础知识。如果有啥不正确的地方，欢迎各位大佬指正。
在说机器学习之前先明确一下，什么是人类的学习行为呢？
可以这样总结，人类从历史经验中获取规律，并将其应用到新的类似场景中，就是人类的学习行为。
相对应的，机器学习是指让机器去训练、去学习，让机器从大量数据中找到数据中的内在特征，从而对新事物做出判断。
02—机器学习的分类机器学习有哪些类别呢？按照不同的分类方式，有不同的细分类别。梳理了一下，主要有以下的概况图：
什么是机器学习目标呢？通俗来讲，就是我们想通过机器学习，最终实现的结果形态是什么样。
按照学习目标，主要可以分为三类：回归问题、分类问题、排序问题。
回归问题：解决的是目标是连续性变量的问题。比如想根据身高预测体重，体重就是一个连续性变量。
分类问题：解决的是目标是离散的标签的问题。比如预测一个人是男还是女。
排序问题：模型输出的是经过排序的对象列表。
上文提到了，进行机器学习是需要训练数据为基础的（不然机器没法学习呀）。按照训练数据的特性，主要分为以下两类：
有监督学习：通过已有的训练样本去训练得到一个最优模型，再利用这个模型将所有的输入映射为相应的输出，对输出进行简单的判断从而实现预测和分类的目的，也就具有了对未知数据进行预测和分类的能力。有监督算法常见的有：线性回归算法、BP神经网络算法、决策树、支持向量机、KNN等。
无监督学习：训练样本的标记信息未知，目标是通过对无标记训练样本的学习来揭示数据的内在性质及规律，为进一步的数据分析提供基础，此类学习任务中研究最多、应用最广的是"聚类"，聚类目的在于把相似的东西聚在一起，主要通过计算样本间和群体间距离得到。深度学习和PCA都属于无监督学习的范畴。无监督算法常见的有：密度估计、异常检测、层次聚类、EM算法、K-Means算法、DBSCAN算法等。
（3）按照模型的复杂程度分类按照模型的复杂度，主要分为两类：线性模型和非线性模型。
线性模型：决策边界为直线。例如逻辑回归模型。
非线性模型：决策边界为非直线。例如神经网络模型。
按照模型的功能来分类，主要分为判别模型与生成模型。
判别模型：由数据直接学习决策函数f(x)或条件概率分布P(y|x)进行预测的模型，其关心的是对给定的输入x,应该预测什么样的输出y。常见的k近邻法、感知机、决策树、逻辑回归、线性回归、最大熵模型。
生成模型：由数据学习输入和输出联合概率分布P(x,y)，然后求出后验概率分布P(y|x)进行预测的模型。常见的生成模型朴素贝叶斯、隐马尔可夫（em算法）。
03—机器学习的基本流程对于一个机器学习项目而言，主要的流程有以下概况：
数据清洗是检测和去除数据集中的噪声数据和无关数据，处理遗漏数据，去除空白数据域和知识背景下的白噪声。
（2）数据切分在机器学习中，通常将所有的数据划分为三份：训练数据集、验证数据集和测试数据集。它们的功能分别为
训练数据集（train dataset）：用来构建机器学习模型。
验证数据集（validation dataset）：辅助构建模型，用于在构建过程中评估模型，为模型提供无偏估计，进而调整模型超参数。
测试数据集（test dataset）：用来评估训练好的最终模型的性能。
关于数据如何进行切分，后续再进行分享。
（3）特征工程特征构建是指从原始数据中人工的找出一些具有物理意义的特征。需要花时间去观察原始数据，思考问题的潜在形式和数据结构，对数据敏感性和机器学习实战经验能帮助特征构建。
关于机器学习，就先分享这些。欢迎大家继续关注~
-END-
以上就是关于机器学习：都有哪些具体分类？项目的流程是怎样？正方形的面积公式全部的内容，关注我们，带您了解更多相关内容。
特别提示：本信息由相关用户自行提供，真实性未证实，仅供参考。请谨慎采用，风险自负。
