机器学习基础梳理

一、机器学习概述

1. 根据有无标签，可分为：

（1）有标签，有监督学习；

        训练有标签值样本数据，并得到模型，通过模型对新样本进行推断。

（2）无标签，无监督学习；

        训练没有标签值的数据，并发现样本数据的结构和分布。

（3）混合，半监督学习；

        结合无监督学习和监督学习。

2. 四大类算法

（1）有监督，回归和分类；

        连续型数据的为回归，离散型的为分类。

（2）无监督，降维和聚类；

        无监督学习中的样本数据没有标签，如果目标是寻找规律、简化数据，这类问题是降维；

        如果是将样本分成不同的组别，则为聚类问题。

3. 机器学习一般流程

（1）收集数据：

• 从数据源获取数据集，这可能包括数据清理、去除无效数据和处理缺失值等。

（2）特征工程：

• 对数据进行预处理，包括数据转换、特征选择、特征提取和特征缩放等。

（3）数据划分：

• 将数据集划分为训练集、验证集和测试集等。训练集用于训练模型，验证集用于选择模型并进行调参，测试集用于评估模型的性能。