机器学习之路（1）——数据与模型（最基本框架）

基于python、scikit-learn ；
偏重于代码现实，供自己复习使用。

数据——模型（函数）——数据

1. 数据：向量化数据

1.1 文本数据

根据之前的文本分类的项目，也基本清楚了，文本数据向量化的两种核心方式：
one-hot编码和word embedding (词向量)。

当然，根据特征的选择方式不同，又可以细化分成
最普通的one-hot编码、最简单的词袋模型（1-gram）、tf-idf、n-gram
和 LSA、Word2Vec（CBOW、Skip-gram ）等方法，
前者属于文本数据的离散表示，而后者是分布式表示！

1.2 图像数据

待总结

2. 模型：Model——估计器(estimator)模型

2.1 核心概念

估计器(estimator)

简化理解：
estimator = estimator’s constructor + model’s parameters

估计器 = 估计器的构造函数 + 模型参数

理解：估计器 = 模型 ≈ 分类器
说明：
① 我们见到的大多数估计器其实就是分类器
② 也把估计器称为模型

比如：sklearn.svm.SVC 类中的 SVC 分类器模型

>>> from sklearn import svm
>>> clf = svm.SVC(gamma=0.001, C=100.)

我们把我们的估计器实例命名为 clf ，因为它是一个分类器（classifier）。

• 注：模型参数的选择：

这里是手动设置的参数值。为了找到一个更好的参数值，我们可以使用 grid search 和 cross validation 等工具。

2.2模型基本方法：学习和预测

在 scikit-learn 中，分类的估计器（类）是一个 Python 对象，它实现了 fit(X, y) 和 predict(T) 等方法（类方法）。

理解：（在Python 角度）
估计器=Python类；
fit(X, y) 和 predict(T) 等方法 = 类方法

model.fit(X, y)
例如，clf.fit()，让分类器（实例）clf从模型中学习

model.predict(T)
例如，clf.prdict()，使用学习后的分类器进行预测

2.3实例

数据导入

$ python
>>> from sklearn import datasets
>>> iris = datasets.load_iris()
>>> digits = datasets.load_digits()

学习和预测

>>> from sklearn import svm
>>> clf = svm.SVC(gamma=0.001, C=100.)

>>> clf.fit(digits.data[:-1], digits.target[:-1])  
SVC(C=100.0, cache_size=200, class_weight=None, coef0=0.0,
 decision_function_shape='ovr', degree=3, gamma=0.001, kernel='rbf',
 max_iter=-1, probability=False, random_state=None, shrinking=True,
 tol=0.001, verbose=False)

>>> clf.predict(digits.data[-1:])
array([8])

后续：
具体模型以及模型评估看后续记载