机器学习的基础知识有哪些

本篇内容主要讲解“机器学习的基础知识有哪些”，感兴趣的朋友不妨来看看。本文介绍的方法操作简单快捷，实用性强。下面就让小编来带大家学习“机器学习的基础知识有哪些”吧!

1.1 何谓机器学习

        除却一些无关紧要的情况，人们很难直接从原始数据本身获得所需信息。例 如 ，对于垃圾邮 件的检测，侦测一个单词是否存在并没有太大的作用，然而当某几个特定单词同时出现时，再辅 以考察邮件长度及其他因素，人们就可以更准确地判定该邮件是否为垃圾邮件。简单地说，机器 学习就是把无序的数据转换成有用的信息

1.2 如何选择合适的算法

        首先，考虑使用机器学习算法的目的。如果想要预测目标变量的值，则可以选择监督学习算法，否则可以选择无监督学习算法。确定选择监督学习算法之后，需要进一步确定目标变量类型，如果目标变量是离散型，如是/否、1/2/3、A/B/C或者红/黄/黑等，则可以选择分类器算法;如果目标变量是连续型的数值，如0.0~100.00、-999~999或者正无穷~负无穷等，则需要选择回归算法。

在大多数情况下，上面给出的选择方法都能帮助我们选择恰当的机器学习算法，但这也并非一成不变。也有时候我们就会使用分类算法来处理回归问题，显然这将与监督学习中处理回归问题的原则不同。

        我们只能在一定程度上缩小算法的选择范围，一般并不存在最好的算法或者可以给出最好结果的算法，同时还要尝试不同算法的执行效果。对于所选的每种算法，都可以使用其他的机器学习技术来改进其性能。在处理输入数据之后，两个算法的相对性能也可能会发生变化。一般说来发现最好算法的关键环节是反复试错的迭代过程。

        机器学习算法虽然各不相同，但是使用算法创建应用程序的步骤却基本类似。

1.3 开发机器学习应用程序的步骤

学习和使用机器学习算法开发应用程序，通常遵循以下的步骤:

(1)收集数据

        我们可以使用很多方法收集样本数据，如制作网络爬虫从网站上抽取数据、 从RSS反馈或者API中得到信息、设备发送过来的实测数据(风速、血糖等)。提取数据的方法非常多，为了节省时间与精力，可以使用公开可用的数据源。

(2)准备输入数据

        得到数据之后，还必须确保数据格式符合要求，采用的格式是python语言的list。使用这种标准数据格式可以融合算法和数据源，方便匹配操作。

此外还需要为机器学习算法准备特定的数据格式，如某些算法要求特征值使用特定的格式，一些算法要求目标变量和特征值是字符串类型，而另一些算法则可能要求是整数类型。但是与收集数据的格式相比，处理特殊算法要求的格式相对简单得多。

(3)分析输入数据

        此步骤主要是人工分析以前得到的数据。为了确保前两步有效，最简单的方法是用文本编辑器打开数据文件，査看得到的数据是否为空值。此外，还可以进一步浏览数据，分析是否可以识别出模式;数据中是否存在明显的异常值，如某些数据点与数据集中的其他值存在明显的差异。通过一维、二维或三维图形展示数据也是不错的方法，然而大多数时候我们得到数据的特征值都不会低于三个，无法一次图形化展示所有特征。

        这一步的主要作用是确保数据集中没有垃圾数据。如果是在产品化系统中使用机器学习算法 并且算法可以处理系统产生的数据格式，或者我们信任数据来源，可以直接跳过第3步。此步骤 需要人工干预，如果在自动化系统中还需要人工干预，显然就降低了系统的价值。

(4)训练算法

        机器学习算法从这一步才真正开始学习。根据算法的不同，第4步和第5步是机器学习算法的核心。我们将前两步得到的格式化数据输入到算法，从中抽取知识或信息。这里得到的知识需要存储为计算机可以处理的格式，方便后续步骤使用。

        如果使用无监督学习算法，由于不存在目标变量值，故而也不需要训练算法，所有与算法相 关的内容都集中在第5步。

1.4 Python语言的优势

        基于以下三个原因，我们选择python作为实现机器学习算法的编程语言:(1)python语法清晰; (2)易于操作纯文本文件; (3)使用广泛，存在大量的开发文档。

        python具有清晰的语法结构，大家也把它称作可执行伪代码(executable pseudo-code)。默认安装的python开发环境已经附带了很多高级数据类型，如列表、元组、字典、集合、队列等，无 需进一步编程就可以使用这些数据类型的操作。使用这些数据类型使得实现抽象的数学概念非常 简单。此外，读者还可以使用自己熟悉的编程风格，如面向对象编程、面向过程编程、或者函数 式编程。

        python语言处理和操作文本文件非常简单，非常易于处理非数值型数据。python语言提供了丰富的正则表达式函数以及很多访问web页面的函数库，使得从HTML中提取数据变得非常简单直观。

        在科学和金融领域python语言得到了广泛应用。SciPy和Numpy等许多科学函数库都实现了向量和矩阵操作，这些函数库增加了代码的可读性，学过线性代数的人都可以看懂代码的实际功能。

        Python的科学工具可以与绘图工具Matplotlib协同工作。Matplotlib可以绘制2D、3D图形，也可以处理科学研究中经常使用到的图形。

1.5 Numpy函数库基础

        机器学习算法涉及很多线性代数知识，因此在使用python语言构造机器学习应用时，会经常使用Numpy函数库。如果不熟悉线性代数也不用着急，这里用到线性代数只是为了简化不同的数 据点上执行的相同数学运算。将数据表示为矩阵形式，只需要执行简单的矩阵运算而不需要复杂的循环操作。

到此，相信大家对“机器学习的基础知识有哪些”有了更深的了解，不妨来实际操作一番吧！这里是亿速云网站，更多相关内容可以进入相关频道进行查询，关注我们，继续学习！