机器学习概述

一、机器学习算法与流程

（一）、机器学习的主要流程：1.明确分析目标，2.数据收集，3.数据预处理，4.建模分析，5.结果评估，6.部署使用以及学习更新。

1.明确分析目标：客观反映用户需求，通过对各类人群的深入分析，为相关部门制订资费、服务、市场 策略提供基础。

2.数据收集：收集相关的数据，充足、全面的高质量数据是机器学习的基础。

3.数据预处理：数据可能存在着噪声、不一致、异常、个人隐私保护等各类 问题。为保证数据的质量，必要的数据治理是需要的。

4.建模分析：此阶段是机器学习的核心部分，使用精巧复杂的分析方法从数据中提取知识。选择合适的建模方法或算法，算法的好坏需要实验比较确定。

5.结果评估：选定模型之后，可以评估机器学习结果在多大程度上能够帮助实现业务目标。评估学习结果，以便为机器学习的过程提供反馈。

6.部署使用以及学习更新：有效的机器学习结果会改善客户业务决策的效果，给客户带来价值。因为业务可能发生变化，在部署过程中需要更新机器学习的模型等。

（二）、机器学习常用算法

1.分类算法：分类就是通过分析训练集中的数据，为每个类 别做出准确的描述或建立分析模型或挖掘出分 类规则，然后用这个分类规则对其它数据对象 进行分类。决策树、支持向量机、神经网络、朴素贝叶斯、 Bayes网络、k-最近邻等是几种常用的分类方法。

2.聚类算法：聚类就是把整个数据分成不同的组，并使组 与组之间的差距尽可大&#