机器学习实战

简述机器学习：

用计算机来彰显数据背后的意义，这个才是机器学习的真正含义，简而言之机器学习就是把无序的数据转换成有用的信息。与此同时，机器学习也需要一些统计学的知识，除了人类的行为之外，现实世界还存在许多的例子是我们无法运用数学模型进行描述的，这时我们就需要统计学工具。在这个数据膨胀的时代，需要的是在数据中不会迷失，穿越数据的雾霾，从中抽取有用的信息，机器学习可以完成。

机器学习术语：

一个简单的例子，鸟类专家系统：（根据鸟的特征，来判定这鸟属于什么类别）

标号	体重（克）	翼展（厘米）	脚蹼	颜色	种属
1	1000	125	No	棕色	红尾鸠
2	2000	200	No	灰色	鹭鹰
3	3000	220	No	灰色	鹭鹰
4	4100	136	Yes	黑色	千鸟
5	3	11	No	绿色	蜂鸟
6	570	75	No	黑色	木鸟

此实例引出，机器学习的一个主要任务：分类
当决定使用什么机器学习算法进行分类，首先需要的是学习如何分类。通常需要为算法输入大量的已知分类数据作为算法的输入集合，如上表，存在着6个训练样本，每个样本有4个特征值，一个目标变量。最终的目标变量就是预测的结果。在此过程中，训练样本必须明确知道目标变量的值，这样机器学习算法才可以发现特征与目标变量之间的关系。而最终目标变量也称为类别，假定分类只存在有限个数的类别。为了验证机器学习算法的有效性，通常使用两套数据集，训练样本和测试数据。当机器学习算法运行的时候输入训练样本，模拟分类系统，而后输入测试数据，但此时的测试数据并不带有目标变量，由程序自己决定样本的类别。实验比较，程序得到的类别和已知的类别的差别，可以得出算法的准确度。

分类主要任务：将示例数据划分到所属的合适的分类中。
回归主要任务：主要用于预测数值型数据。
分类和回归都属于监督学习（此算法必须要知道预测什么，或者知道已定的类别信息）。

于此相对应的是：无监督学习（数据没有类别信息，也不给出目标变量）-----》聚类

如何选择算法：

首先很据使用机器学习的目的（是否预测目标的值），选择监督学习还是无监督学习，若是选定了监督学习，之后需要确定目标变量类型，若目标类型是离散的，是/否，1/2/3 等选择分类算法，若目标变量是连续的数值（0~10），则选用回归算法。
以上只能是大致的分算法方向，并不会具体到使用什么算法将会达到最优的目的，然而最好的算法就是反复试错的迭代过程。

应用机器学习的步骤：

（1）收集数据。
（2）准备输入数据
（3）分析输入数据
（4）训练算法
（5）测试算法
（6）使用算法

使用工具：

在实现算法的过程中，可以使用MATALB或者是Octave，也可以使用python进行实现，使用python的好处就是语法清晰，易于文本操作，但是同时也存在着不足之处，性能问题，在python构造机器学习应用时，经常会使用NumPy函数库，主要进行矩阵的运算，在python shell下：
>>>from numpy import * 即可使用NumPy函数库的函数。

分类小结：

分类必须了解到数据实例，每个数据实例由多个特征值组成，分类则是机器学习的基本任务，分析未分类的数据，进行分类处理，为了构建分类器必须先输入大量的分类数据，即训练样本集。在根据测试数据，讲数据输入到分类器之中，进行分类处理，最后将程序得出分类结果和已知的目标变量进行比较，得出机器学习算法的有效性。