拜小白的成长之路，告别小白

根据面临的不同问题，机器学习可以分为如下几类：聚类问题分类问题回归问题强化学习=====================分割线===============1.聚类问题  （无监督学习）  聚类算法属于非监督式学习，通常被用于探索性的分析，是根据“物以类聚”的原理，将本身没有类别的样本聚集成不同的组，这样的一组数据对象的集合叫做簇，并且对每一个这样的簇进行描述的过程。它的目的是使得属于同一簇的样本...

、机器学习的应用工作是围绕着数据与算法展开的。可以这么讲：数据+机器学习算法=预测模型数据和算法一起发挥作用，才能构建一个能够使用的预测模型。在这当中，数据的“质”与“量”对最后的结果有着非常大的影响。===================分割线======================一个完整机器学习项目的流程可以如下形式1 抽象成数学问题  明确问题是进行机器学习的第一步。机器学习的训练过程...

转自：从机器学习谈起此博主将机器学习内容，由浅入深慢慢讲解，让小白能够通俗易懂，是一篇很好的入门文章，感谢博主的细心整理。全文较长，建议阅读时间为30分钟！====================分割线=====================在本篇文章中，我将对机器学习做个概要的介绍。本文的目的是能让即便完全不了解机器学习的人也能了解机器学习，并且上手相关的实践。这篇文档也算是EasyPR开发的...

在进行机器学习常常需要处理的一个问题是划分测试集和训练集。训练集用于训练模型，测试集则是根据训练集的训练结果来评判最终的训练效果。当我们手中没有未知的样本，那么如何进行可靠地评估呢？这里的关键是：在现有的数据集合中获得可靠的“测试集数据”。这里有一个标准，就是测试集（用于评估）应该与训练集（用于学习）尽可能保持“互斥”。常用的数据集划分方法有一下几种：留出法（hold-out）交叉验证法（k-fo...

在机器学习和数据挖掘中，我们经常需要知道个体间差异的大小，进而评价个体的相似性和类别。最常见的是数据分析中的相关分析，数据挖掘中的分类和聚类算法，如 K 最近邻（KNN）和 K 均值（K-Means）等等。在做分类时常常需要估算不同样本之间的相似性度量(Similarity Measurement)，这时通常采用的方法就是计算样本间的“距离”(Distance)。采用什么样的方法计算距离是很讲究，...

在上一节中我们主要讲到机器学习的评估方法，其中重点是讲解了三种对数据集的划分方式，包括留出法（hold-out）、交叉验证法（k-fold cross validation）、自助法（bootstrap）。本节来看看机器学习的评估度量标准，其中我们将从回归（Regression）与分类（Classification）两个大类来讨论其中的评估度量标准。==================分割线===...