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
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。