[Python3] 机器学习 ——（一）机器学习简介

---

一、机器学习

机器学习经常被归类为人工智能（artificial intelligence）的子领域。虽然对机器学习的研究确实是源自人工智能领域，但是机器学习的方法却应用于数据科学领域，因此把机器学习看作是一种数学建模更合适。

机器学习的本质是借助数学模型理解数据。

当我们给模型装上可以适应观测数据的可调参数时，“学习”就开始了，此时的程序被认为具有从数据中“学习”的能力。一旦模型可以拟合旧的观测数据，那么它们就可以预测并解释新的观测数据。

机器学习的分类

机器学习一般可以分为三类：有监督学习（supervised learning）和无监督学习（unsupervised learning），还有半监督学习（semi-supervised learning）。

1. 有监督学习

有监督学习是指对数据的若干特征与若干标签（类型）之间的关联性进行建模的过程。只要模型被确定，就可以应用到新的未知数据上。

有监督学习：可以训练带标签的数据以预测新数据标签的模型

有监督学习可以进一步分为分类（classification）任务与回归（regression）任务。

• 分类：可以预测两个或多个离散分类标签的模型
• 回归：可以预测连续标签的模型
• 在分类任务中，标签都是离散值
• 在回归任务中，标签都是连续值
• 分类算法包括：高斯朴素贝叶斯分类、支持向量机、随机森林分类等
• 回归算法包括：线性回归、支持向量机、随机森林回归等

2. 无监督学习

无监督学习是指对不带任何标签的数据特征进行建模（识别无标签数据结构的模型）

无监督学习包括聚类（clustering）任务和降维（dimensionality reduction）任务。

• 聚类：检测、识别数据显著组别的模型
• 降维：从高位数据中检测、识别低位数据结构的模型
• 聚类算法可以将数据分成不同的组别，一个聚类模型会根据输入数据的固有结构判断数据点之间的相关性
• 降维算法追求用更简洁的方式表现数据，需要从数据集本身的结构推断标签和其他信息
• 聚类算法包括：$k$-means聚类算法、高斯混合模型、谱聚类等
• 降维算法包括：主成分分析和各种流形学习算法，如Isomap算法、局部线性嵌入算法

3. 半监督学习

还有一种半监督学习方法，介于有监督学习与无监督学习之间。半监督学习方法通常可以再数据标签不完整时使用。

---

总结自《Python数据科学手册》