一、問題引入
1.首先明確幾個概念目前三大最常見的機器學習任務：
1.回歸問題
2.分類問題
3.聚類問題
machine learning機器學習是artificial inteligence的核心，分為四類：
1、supervised learning監督學習
是有特徵(feature)和標籤(label)的，即便是沒有標籤的，機器也是可以通過特徵和標籤之間的關係，判斷出標籤。舉例子理解：高考試題是在考試前就有標準答案的，在學習和做題的過程中，可以對照答案，分析問題找出方法。在高考題沒有給出答案的時候，也是可以給出正確的解決。這就是監督學習。
一句話概括：給定資料，**標籤。
通過已有的一部分輸入資料與輸出資料之間的對應關係，生成乙個函式，將輸入對映到合適的輸出，例如分類。
2、unsupervised learning無監督學習
只有特徵，沒有標籤。舉例子理解：高考前的一些模擬試卷，是沒有標準答案的，也就是沒有參照是對還是錯，但是我們還是可以根據這些問題之間的聯絡將語文、數學、英語分開，這個過程就叫做聚類。在只有特徵，沒有標籤的訓練資料集中，通過資料之間的內在聯絡和相似性將他們分成若干類。
一句話概括：給定資料，尋找隱藏的結構。
直接對資料集建模。
以上兩者的區別：監督學習只利用標記的樣本集進行學習，而無監督學習只利用未標記的樣本集。
3、semi-supervised learning半監督學習
使用的資料，一部分是標記過的，而大部分是沒有標記的。和監督學習相比較，半監督學習的成本較低，但是又能達到較高的準確度。
綜合利用有類標的和沒有類標的資料，來生成合適的分類函式。
半監督學習出現的背景：實際問題中，通常只有少量的有標記的資料，因為對資料進行標記的代價有時很高，比如在生物學中，對某種蛋白質的結構分析或者功能鑑定，可能會花上生物學家很多年的工作，而大量的未標記的資料卻很容易得到。
4、reinforcement learning強化學習
強化學習也是使用未標記的資料，但是可以通過一些方法知道你是離正確答案越來越近還是越來越遠(獎懲函式)。可以把獎懲函式看作正確答案的乙個延遲、稀疏的形式。可以得到乙個延遲的反饋，並且只有提示你是離答案越來越近還是越來越遠。
2.回歸問題
通過已有的一部分輸入資料與輸出資料之間的對應關係，生成乙個函式，將輸入對映到合適的輸出。
我們通過這組資料，可以得到房屋大小與房價之間的乙個關係：
這條藍色的線就表示了這樣一種關係，我們現在的問題就是找出這樣一條線，使其能擬合我們的資料。
注：擬合：能最大程度的表現現有資料的規律
所以現在我們的問題就變成了：(從最開始的**房價變為了純數學問題)
注：成本函式：(均方誤差)誤差求和求平均，此處1/2m是為了後續計算的方便。
接下來的問題是：如何找到這樣的θ0，θ1，使得損失函式j(θ0,θ1)最小呢？
接下來通過樣本集的資料計算損失函式：
計算損失函式：j(θ0,θ1)=2.3
確定乙個點(0,2.3)
計算損失函式：j(θ0,θ1)=0
確定乙個點(1,0)
計算損失函式：j(θ0,θ1)=0.58
確定乙個點(1.5,0.58)
函式影象：是類似於最低點是(1,0)點的開口向上的一元二次函式影象。(這裡就不畫了)
類似於：
我們通過不停的計算θ0,θ1，求得最小的j(θ0,θ1)，顯然這樣的計算工作是巨大的，這就需要用到梯度下降法了：
從圖上來看：
我們模擬一下：想象自己在山頂，想要最快下山(應該朝哪個方向，邁多大的步子，每邁一步，繼續做同樣的判斷)，這就是梯度下降法要做的事情。
這每一步,在二維平面上看就像這樣：
直到找到這樣乙個最低點，就是區域性最優解，或最優解。
那麼，我們在遇到乙個線性回歸問題時，是不是需要我們每次都寫乙個**函式，再定義乙個損失函式，最後再實現梯度下降演算法呢？並不是這樣的，python中有乙個sklearn包都已經封裝好了這些常用的機器學習演算法，我們只需要用就好了。
二、**演示
接下來我們用sklearn實現一下這個案例：
%matplotlib inline
import matplotlib.pyplot as plt
import numpy as np
#此處x是房屋面積,y是房價,我們簡化了資料,我們有真實的資料，直接替換就好了
x=np.array([1,2,3,4])
y=np.array([4,6,10,16])
from sklearn.linear_model import linearregression
# 建立乙個線性回歸模型
model=linearregression()
# 對資料做乙個變換(sklearn包的要求)
# reshape(-1,1)資料變為一列，reshape(1,-1)資料變為一行
x=x.reshape(-1,1)
y=y.reshape(-1,1)
# 訓練模型
model.fit(x,y)
# 該線性回歸模型的訓練得分(可以理解為該模型在資料集上的乙個準確率)
train_score=model.score(x,y)
# 繪畫散點圖
plt.scatter(x,y)
plt.plot(x,model.predict(x),'r-')
#模型的訓練得分，可以理解為該模型在資料集上的乙個準確率
train_score
0.9523809523809523
在機器學習中我們訓練模型後，需要把模型儲存到本地，這裡我們採用joblib來儲存
from sklearn.externals import joblib
#儲存模型
joblib.dump()
#載入模型
joblib.load()
#通過該模型繼續**
model.predict()
機器學習線性回歸案例講解 機器學習實戰 線性回歸
本文將用 泰坦尼克船員獲救 這一案例展示一下使用線性回歸建模的流程。首先匯入原始的資料並展示資料的前5行，大致了解一下資料的情況。原始資料中分別有以下幾列資訊 passengerid survived pclass name age sibsp parch ticket fare cabin emb...
機器學習2 回歸案例
為了衡量func set中的某個function的好壞，我們需要乙個評估函式，即loss function，損失函式，簡稱l loss function是乙個function的function l f l w,b l f l w,b l f l w,b gradient descent的厲害之處在於...
多元線性回歸案例
fromnumpyimportgenfromtxt importnumpyasnpy fromsklearnimportdatasets,linear model filepath r g 六西格瑪 第一階段 深度學習基礎 與素材 與素材 2 machinelearning multilinearr...