監督學習的兩個任務：分類和回歸分析（**數值型資料）。
分類方法思路：這個表至關重要，叫做特徵向量表
特徵1特徵2
…目的變數(類別)
例項1………
…例項2……
…………
………如上表，分類思路如下：
用大量的已分類資料（其目標變數的值已給出）組成的訓練集進行訓練，該訓練集由若干個訓練樣本構成，每個訓練樣本是乙個例項
測試樣本（不提供目標變數）
比較目標變數的**值和實際樣本的目標變數值，計算得到演算法的精確度。
監督學習的另乙個任務是回歸分析。
無目標變數（無類別資訊），其主要任務有：
聚類：將資料集合分成由類似的物件組成的多個類的過程；
密度估計：尋找描述資料統計值的過程
減少資料特徵的維度，方便用2/3維圖形直觀展示資料資訊
監督學習的用途
k-近鄰演算法
樸素貝葉斯演算法
支援向量機
決策樹線性回歸
區域性加權線性回歸
ridge回歸
lasso最小回歸係數估計
其中深橙色表示分類演算法，淺藍色表示回歸分析演算法。
無監督學習的用途
k-均值
最大期望演算法
dbscan
parzen窗設計
本書不包括pagerank演算法（google的演算法），最大期望演算法。
1 如何選擇演算法：
2 開發機器學習的步驟：
* 收集資料：爬蟲、rss反饋、感測器資料，api中的資訊。
* 準備輸入資料。格式為python的list格式。
* 分析輸入資料：人工檢查輸入資料的數值是否異常。
* 訓練演算法：無監督學習不需要訓練演算法。
* 測試演算法：評估演算法，測試演算法工作的效果。
* 將機器學習演算法轉換為應用程式，執行實行任務。
機器學習實戰學習筆記 1 基礎
1，什麼是機器學習 機器學習，簡單說就是要把無序的資料，轉化為人們可以識別的有用的資料。2，機器學習需要哪些基礎知識 機器學習橫跨很多學科領域，包括但不限於 計算機，數理統計，工程技術等。3，什麼時候可以用機器學習 一般我們寫 解決問題，結果或者計算過程具有確定性。比如計算完全數，水仙花數，或者保險...
機器學習實戰（1）
from numpy import import operator def createdataset object group array 1.0,1.0 1.0,1.1 0,0 0,0.1 labels a a b b return group,labels def classify0 inx,...
《機器學習實戰》學習筆記
很久沒寫過部落格了，一重開就給自己挖了這麼乙個大坑 最近一段時間看了 機器學習實戰 這本書，感覺寫得不錯，認真看了看。關於這本書的書評及購買事宜請移步豆瓣 京東 亞馬遜等 這裡不多說。不過有一點，感覺這本書有個很好的地方是給出了各個演算法的python實現 和講解，要求不高的話可以拿來用了 懶 在這...