机器学习-4.开发流程、算法基本认知

来源:CSDN 发布时间:2018-12-26 18:04:06

1. 机器学习开发流程

我们作为机器学习的开发工程师首先要明确自己学习的定位,也就是确定学习边界。

大部分复杂模型的算法设计都是由算法工程师去做的,我们只需要:

1.分析很多的数据;

2.分析具体的业务;

3.应用常见的算法;

4.特征工程、调参数、优化。


我们学习应达到一下目的:


1.学会分析问题、使用机器学习算法的目标,想要使得算法完成什么样的任务。

2.掌握算法基本思想原理,学会对不同问题用对应的算法来解决。

3.学会利用库或框架解决问题。

开发流程:

20181215152301234.jpg


2. 机器学习算法分类

数据类型

离散型数据:由记录不同类别个体的数目所得到的数据,又称计数数据,所有这些数据全部都是整数,而且不能再细分,也不能进一步提高他们的精确度。

连续性数据:变量可以在某个范围内取任一数,即变量的取值可以是连续的,如:长度、时间、质量值等,这类整数通常是非整数,含有小数部分。

注:离散型是区间内不可分,连续型是区间内可分。

数据的类型将是机器学习模型不同、问题不同,进行处理的依据。

算法分类

监督学习(有特征值和目标值)

– 分类:K近邻算法、贝叶斯分类、决策树与随机森林、逻辑回归、神经网络

– 回归:线性回归、岭回归

– 标注:隐马尔科夫模型(不重要)

无监督学习(只有特征值)

– 聚类:k-means

分类算法对应-目标值是离散型数据

回归算法对应-目标值是连续型数据

3. 转换器与估计器

转换器是实现了特征工程的API,例如前几篇文章的示例中的fit_transform()等。

估计器是实现了算法的API,在sklearn中有:

用于分类的估计器:

– sklearn.neighbors :k-近邻算法

– sklearn.naive_bayes :贝叶斯

– sklearn.linear_model.LogisticRegression :逻辑回归

– sklearn.tree :决策树与随机森林

用于回归的估计器

– sklearn.linear_model.LinearRegression :线性回归

– sklearn.linear_model.Ridge :岭回归

--------------------- 

原文:https://blog.csdn.net/wyply115/article/details/85014353 


Copyright © 2018 56科技 All Rights Reserved. 滇ICP备18009134号-2

五六科技—为品质而生,为客户创造价值。