机器学习常见问题整理？

机器学习项目流程？

答：理解实际问题，抽象成数学模型（分类、回归、聚类）——>获取数据——>特征预处理与特征选择——>训练模型与调优——>模型诊断（过拟合、欠拟合等）——>模型融合——>上线运行。

机器学习算法的分类？

答：监督学习、非监督学习、半监督学习、强化学习。

特征选择与降维的区别？

答：两者达到的效果是一样的，都是试图去减少特征数据集中的属性(特征)的数目；
但是两者所采用的方式方法却不同：降维的方法主要是通过属性间的关系，如组合不同的属性得新的属性，这样就改变了原来的特征空间；而特征选择的方法是从原始特征数据集中选择子集，是一种包含的关系，没有更改原始的特征空间。

特征选择的方法？

答：主要有三种方法：1)Filter;2)Wrapper;3)Embedded
1、Filter方法（过滤式）

其主要思想是：对每一维的特征“打分”，即给每一维的特征赋予权重，这样的权重就代表着该维特征的重要性，然后依据权重排序。

主要的方法有：
Chi-squared test(卡方检验)
information gain(信息增益)
correlation coefficient scores(相关系数)
2、Wrapper方法（包裹式）

其主要思想是：将子集的选择看作是一个搜索寻优问题，生成不同的组合，对组合进行评价，再与其他的组合进行比较。这样就将子集的选择看作是一个是一个优化问题，这里有很多的优化算法可以解决，尤其是一些启发式的优化算法，如GA，PSO，DE，ABC等，详见“优化算法——人工蜂群算法(ABC)”，“优化算法——粒子群算法(PSO)”。

主要方法有：recursive feature elimination algorithm(递归特征消除算法)

3、Embedded方法（嵌入式）

其主要思想是：在模型既定的情况下学习出对提高模型准确性最好的属性。这句话并不是很好理解&#