定义

机器学习是从数据中自动分析获得模型，并利用模型对未知数据进行预测

• 数据

• 模型

• 预测

数据集

• 结构：特征值+目标值

• 对于每一类数据我们可以称之为样本

• 有些数据集可以没有目标值

机器学习算法分类

• 目标值：类别->分类问题

• 目标值：连续性数据->回归问题

• 目标值：无->无监督学习

• 监督学习（预测）

  • 定义：输入数据是由输入特征值和目标值组成。函数的输出可以是一个连续的值（称为回归），或是输出是有有限个离散值（称为分类）

  • 分类 ：k-近邻算法、贝叶斯分类、决策树与随机森林、逻辑回归

  • 回归 ：线性回归、岭回归

• 无监督学习

  • 定义：输入数据是由输入特征值组成

  • 类聚 K-means

机器学习开发流程

• 获取数据

• 数据处理

• 特征工程

• 选择机器学习算法 得到模型

• 模型评估

• 应用

学习框架

一些概念：

• 算法是核心，数据和计算是基础

• 找准定位

大部分复杂模型的算法都是算法工程师在做

• 分析数据

• 分析具体业务

• 应用常见算法

• 特征工程、调参数、优化

标签：机器,模型,学习,算法,概述,目标值,数据
来源： https://www.cnblogs.com/xxdd123321/p/16513634.html