3、机器学习算法全解析

机器学习算法全解析

1. 机器学习流程

机器学习通常包含以下几个关键步骤：
1. 数据转换 ：根据算法和问题的特点对数据进行转换。转换形式可以是特征缩放、分解或聚合。特征分解可提取数据中有用的成分，聚合则将多个实例合并为一个特征。
2. 算法训练 ：从转换后的数据中选择训练集和测试集。在训练集上训练算法，并在测试集上进行评估。将转换后的训练数据输入算法以提取知识或信息，这些知识或信息会存储为模型，用于交叉验证和实际应用。不过，无监督学习由于没有目标值，不需要此训练步骤。
3. 算法测试 ：评估算法的有效性和性能，以便快速判断数据中是否存在可学习的结构。将训练好的模型应用于测试集，并将预测结果与测试集进行比较，以此衡量模型的性能。若模型性能需要提升，可通过改变数据流、采样率、转换方式、线性化模型、去除异常值的方法和偏差方案等，重复之前的步骤。
4. 应用强化学习 ：在许多控制理论应用中，需要良好的反馈机制来确保稳定运行。但反馈数据往往稀疏、延迟或不明确，此时监督学习可能不太实用，可采用强化学习（RL）。与监督学习不同，RL通过动态性能再平衡，从与环境交互的结果中学习，无需明确的训练。
5. 执行 ：将经过验证的模型应用于实际的预测任务。若遇到新数据，需重复上述步骤对模型进行重新训练。训练过程可与预测未来行为的实际任务同时进行。

机器学习流程示意图

graph LR
    A[数