本篇內容主要講解“機器學習的基礎知識有哪些”，感興趣的朋友不妨來看看。本文介紹的方法操作簡單快捷，實用性強。下面就讓小編來帶大家學習“機器學習的基礎知識有哪些”吧!

公司主營業(yè)務：成都網(wǎng)站制作、成都做網(wǎng)站、外貿營銷網(wǎng)站建設、移動網(wǎng)站開發(fā)等業(yè)務。幫助企業(yè)客戶真正實現(xiàn)互聯(lián)網(wǎng)宣傳，提高企業(yè)的競爭能力。創(chuàng)新互聯(lián)建站是一支青春激揚、勤奮敬業(yè)、活力青春激揚、勤奮敬業(yè)、活力澎湃、和諧高效的團隊。公司秉承以“開放、自由、嚴謹、自律”為核心的企業(yè)文化，感謝他們對我們的高要求，感謝他們從不同領域給我們帶來的挑戰(zhàn)，讓我們激情的團隊有機會用頭腦與智慧不斷的給客戶帶來驚喜。創(chuàng)新互聯(lián)建站推出孝義免費做網(wǎng)站回饋大家。

1.1 何謂機器學習

        除卻一些無關緊要的情況，人們很難直接從原始數(shù)據(jù)本身獲得所需信息。例 如 ，對于垃圾郵 件的檢測，偵測一個單詞是否存在并沒有太大的作用，然而當某幾個特定單詞同時出現(xiàn)時，再輔 以考察郵件長度及其他因素，人們就可以更準確地判定該郵件是否為垃圾郵件。簡單地說，機器 學習就是把無序的數(shù)據(jù)轉換成有用的信息

1.2 如何選擇合適的算法

從算法中選擇實際可用的算法，必須考慮下面兩個問題:一 、使用機器學習算法的目的，想要算法完成何種任務，比如是預測明天下雨的概率還是對投票者按照興趣分組;二、需要分析或收集的數(shù)據(jù)是什么？

        首先，考慮使用機器學習算法的目的。如果想要預測目標變量的值，則可以選擇監(jiān)督學習算法，否則可以選擇無監(jiān)督學習算法。確定選擇監(jiān)督學習算法之后，需要進一步確定目標變量類型，如果目標變量是離散型，如是/否、1/2/3、A/B/C或者紅/黃/黑等，則可以選擇分類器算法;如果目標變量是連續(xù)型的數(shù)值，如0.0~100.00、-999~999或者正無窮~負無窮等，則需要選擇回歸算法。

如果不想預測目標變量的值，則可以選擇無監(jiān)督學習算法。進一步分析是否需要將數(shù)據(jù)劃分為離散的組。如果這是唯一的需求，則使用聚類算法;如果還需要估計數(shù)據(jù)與每個分組的相似程 度 ，則需要使用密度估計算法。

在大多數(shù)情況下，上面給出的選擇方法都能幫助我們選擇恰當?shù)臋C器學習算法，但這也并非一成不變。也有時候我們就會使用分類算法來處理回歸問題，顯然這將與監(jiān)督學習中處理回歸問題的原則不同。

其次，需要考慮的是數(shù)據(jù)問題。我們應該充分了解數(shù)據(jù)，對實際數(shù)據(jù)了解得越充分，越容易創(chuàng)建符合實際需求的應用程序。主要應該了解數(shù)據(jù)的以下特性:特征值是離散型變量還是連續(xù)型變量，特征值中是否存在缺失的值，何種原因造成缺失值，數(shù)據(jù)中是否存在異常值，某個特征發(fā)生的頻率如何(是否罕見得如同海底撈針)，等等。充分了解上面提到的這些數(shù)據(jù)特性可以縮短選擇機器學習算法的時間

        我們只能在一定程度上縮小算法的選擇范圍，一般并不存在最好的算法或者可以給出最好結果的算法，同時還要嘗試不同算法的執(zhí)行效果。對于所選的每種算法，都可以使用其他的機器學習技術來改進其性能。在處理輸入數(shù)據(jù)之后，兩個算法的相對性能也可能會發(fā)生變化。一般說來發(fā)現(xiàn)最好算法的關鍵環(huán)節(jié)是反復試錯的迭代過程。

        機器學習算法雖然各不相同，但是使用算法創(chuàng)建應用程序的步驟卻基本類似。

1.3 開發(fā)機器學習應用程序的步驟

學習和使用機器學習算法開發(fā)應用程序，通常遵循以下的步驟:

(1)收集數(shù)據(jù)

        我們可以使用很多方法收集樣本數(shù)據(jù)，如制作網(wǎng)絡爬蟲從網(wǎng)站上抽取數(shù)據(jù)、 從RSS反饋或者API中得到信息、設備發(fā)送過來的實測數(shù)據(jù)(風速、血糖等)。提取數(shù)據(jù)的方法非常多，為了節(jié)省時間與精力，可以使用公開可用的數(shù)據(jù)源。

(2)準備輸入數(shù)據(jù)

        得到數(shù)據(jù)之后，還必須確保數(shù)據(jù)格式符合要求，采用的格式是python語言的list。使用這種標準數(shù)據(jù)格式可以融合算法和數(shù)據(jù)源，方便匹配操作。

此外還需要為機器學習算法準備特定的數(shù)據(jù)格式，如某些算法要求特征值使用特定的格式，一些算法要求目標變量和特征值是字符串類型，而另一些算法則可能要求是整數(shù)類型。但是與收集數(shù)據(jù)的格式相比，處理特殊算法要求的格式相對簡單得多。

(3)分析輸入數(shù)據(jù)

        此步驟主要是人工分析以前得到的數(shù)據(jù)。為了確保前兩步有效，最簡單的方法是用文本編輯器打開數(shù)據(jù)文件，査看得到的數(shù)據(jù)是否為空值。此外，還可以進一步瀏覽數(shù)據(jù)，分析是否可以識別出模式;數(shù)據(jù)中是否存在明顯的異常值，如某些數(shù)據(jù)點與數(shù)據(jù)集中的其他值存在明顯的差異。通過一維、二維或三維圖形展示數(shù)據(jù)也是不錯的方法，然而大多數(shù)時候我們得到數(shù)據(jù)的特征值都不會低于三個，無法一次圖形化展示所有特征。

        這一步的主要作用是確保數(shù)據(jù)集中沒有垃圾數(shù)據(jù)。如果是在產(chǎn)品化系統(tǒng)中使用機器學習算法 并且算法可以處理系統(tǒng)產(chǎn)生的數(shù)據(jù)格式，或者我們信任數(shù)據(jù)來源，可以直接跳過第3步。此步驟 需要人工干預，如果在自動化系統(tǒng)中還需要人工干預，顯然就降低了系統(tǒng)的價值。

(4)訓練算法

        機器學習算法從這一步才真正開始學習。根據(jù)算法的不同，第4步和第5步是機器學習算法的核心。我們將前兩步得到的格式化數(shù)據(jù)輸入到算法，從中抽取知識或信息。這里得到的知識需要存儲為計算機可以處理的格式，方便后續(xù)步驟使用。

        如果使用無監(jiān)督學習算法，由于不存在目標變量值，故而也不需要訓練算法，所有與算法相 關的內容都集中在第5步。

1.4 Python語言的優(yōu)勢

        基于以下三個原因，我們選擇python作為實現(xiàn)機器學習算法的編程語言:(1)python語法清晰; (2)易于操作純文本文件; (3)使用廣泛，存在大量的開發(fā)文檔。

        python具有清晰的語法結構，大家也把它稱作可執(zhí)行偽代碼(executable pseudo-code)。默認安裝的python開發(fā)環(huán)境已經(jīng)附帶了很多高級數(shù)據(jù)類型，如列表、元組、字典、集合、隊列等，無 需進一步編程就可以使用這些數(shù)據(jù)類型的操作。使用這些數(shù)據(jù)類型使得實現(xiàn)抽象的數(shù)學概念非常 簡單。此外，讀者還可以使用自己熟悉的編程風格，如面向對象編程、面向過程編程、或者函數(shù) 式編程。

        python語言處理和操作文本文件非常簡單，非常易于處理非數(shù)值型數(shù)據(jù)。python語言提供了豐富的正則表達式函數(shù)以及很多訪問web頁面的函數(shù)庫，使得從HTML中提取數(shù)據(jù)變得非常簡單直觀。

        在科學和金融領域python語言得到了廣泛應用。SciPy和Numpy等許多科學函數(shù)庫都實現(xiàn)了向量和矩陣操作，這些函數(shù)庫增加了代碼的可讀性，學過線性代數(shù)的人都可以看懂代碼的實際功能。

        Python的科學工具可以與繪圖工具Matplotlib協(xié)同工作。Matplotlib可以繪制2D、3D圖形，也可以處理科學研究中經(jīng)常使用到的圖形。

1.5 Numpy函數(shù)庫基礎

        機器學習算法涉及很多線性代數(shù)知識，因此在使用python語言構造機器學習應用時，會經(jīng)常使用Numpy函數(shù)庫。如果不熟悉線性代數(shù)也不用著急，這里用到線性代數(shù)只是為了簡化不同的數(shù) 據(jù)點上執(zhí)行的相同數(shù)學運算。將數(shù)據(jù)表示為矩陣形式，只需要執(zhí)行簡單的矩陣運算而不需要復雜的循環(huán)操作。

到此，相信大家對“機器學習的基礎知識有哪些”有了更深的了解，不妨來實際操作一番吧！這里是創(chuàng)新互聯(lián)網(wǎng)站，更多相關內容可以進入相關頻道進行查詢，關注我們，繼續(xù)學習！

分享題目：機器學習的基礎知識有哪些
路徑分享：http://www.chinadenli.net/article44/ishiee.html

成都網(wǎng)站建設公司_創(chuàng)新互聯(lián)，為您提供外貿網(wǎng)站建設、云服務器、網(wǎng)站排名、網(wǎng)站內鏈、移動網(wǎng)站建設、微信小程序

廣告

聲明：本網(wǎng)站發(fā)布的內容（圖片、視頻和文字）以用戶投稿、用戶轉載內容為主，如果涉及侵權請盡快告知，我們將會在第一時間刪除。文章觀點不代表本網(wǎng)站立場，如需處理請聯(lián)系客服。電話：028-86922220；郵箱：631063699@qq.com。內容未經(jīng)允許不得轉載，或轉載時需注明來源： 創(chuàng)新互聯(lián)