机器学习实战（第一篇）-机器学习基础

• 机器学习能让我们自数据集中受到启发，换句话说，我们会利用计算机来彰显数据背后的真实含义。
• 机器学习就是把无序的数据转换成有用的信息。
• 如何使用机器学习算法进行分类：首先需要做的是算法训练，也就是学习如何分类；通常使用两套独立的样本集：训练数据和测试数据。当机器学习程序开始运行时，使用训练样本集作为算法的输入，训练完成之后输入测试样本。
• 通常我们为算法输入大量已分类数据作为算法的训练集。训练集是用于训练机器学习算法的数据样本集合。

2. 机器学习的主要任务

•     分类：将实例数据划分到合适的分类中；
•     回归：主要用于预测数值型数据；

•     聚类：将数据集合分成类似的对象组成的多个类的过程；
•     密度估计：将寻找描述数据统计值的过程

3. 如何选择合适的算法

• 特征值是离散型变量还是连续型变量；
• 特征值是否存在缺失的值；
• 何种原因造成缺失值；
• 数据中是否存在异常值；
• 某个特征发生的频率如何

• 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API中得到信息、设备发送过来的实测数据（风速、水温）。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；
• 准备输入数据：得到数据后，还必须确保数据格式符合要求，一般我们可以使用Python语言的List类型，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，我们还需要为机器学习算法准备特定的数据格式。
• 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，最简单的方法就是使用文本编辑器打开数据文件，查看数据是否为空值。此外，还可以进一步浏览数据，分析是否可以识别出模式；数据是否存在明显的异常值；这一步主要是确保数据集中没有垃圾数据。
• 训练算法：机器学习算法从这一步才真正开始学习。我们将前面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五步。
• 测试算法：这一步将实际使用第四步机器学习中得到的知识信息。为了评估算法，必须测试算法工作的效果。对于监督学习，必须已知用于评估算法的目标变量值；对于无监督学习，也必须用其他的评估手段来检测算法的成功率。无论哪种情形，如果不满意算法的输出结果，则可以回到第四步，改正并加以测试。
• 使用算法：将机器学习算法转换为应用程序，执行实际任务，以检验上述步骤是否可以在实际环境中正常工作。

5. 学习机器学习的工具