机器学习课堂笔记

机器学习概述

1.机器学习算法与流程

机器学习主要流程：明确分析目标、数据收集、数据预处理、建模分析、结果评估、部

署使用以及学习更新。

2.机器学习的常用算法

分类算法：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。

聚类算法：把整个数据分成不同的组，并使组 与组之间的差距尽可大，组内数据的差异尽可能小聚类是基于无监督学习的分类模型，按照数据内在结构特征进行聚集形成簇群。  聚类与分类的主要区别：有无标签（监督学习与无监督学习的区别）。聚类首先选择有效特征向量，然后按照距离函数进行相似度计算。

神经网络和深度学习

神经网络：

        

深度学习：

回归分析：

    回归分析是一种研究自变量和因变量之间关系的 预测模型，用于分析当自变量发生变化时，因变量的变化值。

回归分析包括：

        线性回归

        逻辑回归

        多项式回归

        逐步回归

        岭回归

        LASSO回归

关联分析：

        关联分析（Associative Analysis ）通过对数据集中某些属性同时出现的规律和模式 来发现其中的属性间的关联、相关、因果等关系，典型应用是购物篮分析。其中包括（Apriori算法和FP-Growth算法）。

3.推荐算法

4.机器学习常见问题

数据质量问题与预处理（数据过少、数据过多、维度灾难、数据不完整、异常数据）

机器学习常见陷阱（错误理解相关关系、错误的比较对象 、数据抽样 、忽略或关注极值 、相信巧合数据 、数据未做归一化 、忽视第三方数据、过度关心统计指标）

机器学习方法的选择（监督式学习、无监督式学习）

机器学习结果的评价