機器學習就是把無序的資料轉換成有用的資料資訊。
機器學習分為監督學習以及無監督學習。
監督學習適用分類和回歸為問題。
監督學習必須要知道**什麼，即目標變數的分類資訊
1.1、分類
主要將例項資料劃分到合適的分類中。
1.2、回歸
用於**數值型資料
無監督學習適用於資料沒有類別資訊，也沒有目標值。
無監督學習中，將資料集合分成由類似的物件組成的多個類的過程被稱為聚類；將描述資料統計值的過程稱之為密度估計，無監督學習也可以減少資料的維度
首先考慮適用機器學習演算法的目的。如果想要**目標變數的值，則可以選擇監督學習演算法，否則可以選擇無監督學習演算法。然後需要進一步確定目標變數的型別，如果目標變數是離散型，如是/否、1/2/3、a/b/c或者紅黃黑等，則可以選擇分類器演算法；如果是連續型的數值，如0.0~100.00、99~9999，則需要選擇回歸演算法。如果不想**目標變數的值，則可以選擇無監督學習演算法。進一步分析是否需要將資料劃分為離散的組。如果這是唯一的需求，則使用聚類演算法；如果還需要估計資料與每個分組的相似程度，則需要使用密度估計演算法。
機器學習一 機器學習概要
回歸 是指把實函式在樣本點附近加以近似的有監督的模式識別問題。對乙個或多個自變數和因變數之間關係進行建模，求解的一種統計方法。分類 是指對於指定的模式進行識別的有監督的模式識別問題。異常檢測 是指尋找輸入樣本ni 1i 1 n中所包含的異常資料的問題。常採用密度估計的方法 正常資料為靠近密度中心的資...
機器學習（一）
1.1 引言 基礎概念弄得清清楚楚，演算法作業也是信手拈來，這門課成績一定查不了！基於經驗的三個預判例子 微濕路面 感到和風 看到晚霞，預判第二天天氣很好 色澤青綠 根蒂捲縮 敲聲濁響，預判西瓜是好瓜 下足功夫 弄清概念 做好作業，預判會取得好成績。我們能做出有效的判斷，是因為我們已經積累了許多經驗...
機器學習（一）
機器學習第一天 決策樹 include include include include includeusing namespace std using namespace cv using namespace cv ml 讀取檔案中的點座標 int readfile vector trainedp...