大数据入门

机器学习的介绍

一、机器学习架构

机器学习（Mchine Learning）通过算法，使用历史数据进行训练，训练完成后会产生模型。未来当有新的数据提供时，我们可以使用训练产生的模型进行预测。

• Feature:数据的特征，例如湿度，风向，风速季节，气压。
• Lable: 数据的标签，也就是我们希望预测的目标，例如降雨（0.不会下雨，1.会下雨），天气（1.晴朗，2.雨天，3.阴天，4.下雪）
• 训练阶段（Training）

1. 训练数据是过去积累的历史数据，可能是文本文件，数据库或者其他来源。经过FeatureExtraction(特征提取)，产生Feature(数据特征)与Label(预测目标)，然后经过机器学习算法的训练后产生模型。

• 预测阶段

1. 新输入数据，经过Feature Extraction(特征提取)产生Feature(数据特征)，使用训练完成的模型进行预测，最后产生预测结果。

机器学习分类

对于有监督的学习（Supervised Learning）,从现有数据我们希望预测的答案有