【Python機器學習】01_機器學習概述

一、前言

近年來，人工智能一詞頻繁出現在我們的視野。從深藍到阿法狗，人工智能已經成為未來趨勢。而機器學習又是人工智能的一大重要分支，所以學習機器學習也是一個很好的選擇。本系列文章將使用通俗的語言講解機器學習，并使用scikit-learn模塊實現常用的機器學習算法。

二、機器學習

機器學習是從數據中提取知識的科目，它是計算機技術與概率論、統計學等數學理論的結合。簡單來說，機器學習就是尋找一個函數。我們給定一個輸入，它就可以輸出我們想要的內容。我們可以看幾個實際的例子。

現在人臉識別、語音識別、自動駕駛等技術都比較熱門，我們可以分別看看這三種技術的輸入、函數、輸出是什么。

對于人臉識別，輸入是人臉的圖像，輸出是這個人的姓名或者其它標識，而函數我們好像無法描述；對于語音識別，輸入是聲音信號，輸出是文字，函數我們同樣無法描述；對于自動駕駛，輸入是各種傳感器的數據，四周的圖像等，輸出是下一步操作（轉方向盤、踩油門、剎車），函數我們依舊無法描述。

可以發現，機器學習通常要找的函數是非常復雜的，這些函數很難描述，也正因為人難以描述，所以需要機器學習。

三、監督學習和非監督學習

3.1、學習方式

我們需要大量的歷史數據來驅動尋找函數的過程。根據數據的的不同，我們通常有兩種不同的學習方式。分別是監督學習和非監督學習。

對于監督學習，數據需要包含特征值和目標值兩個部分。 而對于非監督學習，目標值的存在不是必要的。下面我們用兩個例子區分一下監督學習和非監督學習。

3.2、監督學習

假如有一個射箭任務，我們的目標就是命中靶心，經過多次有效練習，我們可以很精準命中靶心。我們可以把這個任務理解為監督學習。

3.3、非監督學習

現在有另外一個任務，有一堆重量分別是10kg、20kg、30kg，單大小一樣的鐵球混合在一起，讓你胡亂用力丟，最后我們可以看到下圖的效果：

圖中綠色為10kg、藍色為20kg、黃色為30kg，為了區分

可以發現綠色集中在外圈，藍色集中在中間，而黃色則離人最近。雖然我們通過肉眼無法知道球的重量，但是通過拋球后的圈，我們可以猜測各個球的重量。

四、機器學習算法

4.1、函數集（function set）

在上面我們提到，機器學習是要尋找一個函數。但是光說尋找一個函數如同大海撈針，無從下手。為了有更明確的目標，我們可以把函數的范圍進一步縮小，比如我們假定我們要找的函數形式如下：

y = w x + b y = wx + b y=wx+b

其中x是輸入，y是輸出，w和b是我們函數的參數。因為不同的w和b可以確定不同函數，所以我們把上面有未知w和b的函數叫函數集。

在確定好函數集后，我們就可以在函數集尋找一個最優的函數（最優的一組w和b）。具體尋找方式會在后面講解。

4.2、算法

機器學習算法在機器學習中起到了非常重要的作用，在我們確定了使用的算法時，就相當于確定了函數集。之后只需要在函數集中找到最優的函數即可。

各個算法有各自的優點 ，適用不同的任務。因此我們只有熟悉各個算法的特點，才能很好的運用各個算法。

下面是我們會學到的幾個算法：

k近鄰

決策樹

隨機森林

樸素貝葉斯

線性回歸

邏輯回歸

支持向量機

神經網絡

聚類

這里沒有全部列出，后續會詳細介紹。今天的內容就分享到這，更多內容可以關注“新建文件夾X”。

Python 機器學習

版權聲明：本文內容由網絡用戶投稿，版權歸原作者所有，本站不擁有其著作權，亦不承擔相應法律責任。如果您發現本站中有涉嫌抄襲或描述失實的內容，請聯系我們jiasou666@gmail.com 處理，核實后本網站將在24小時內刪除侵權內容。

版權聲明：本文內容由網絡用戶投稿，版權歸原作者所有，本站不擁有其著作權，亦不承擔相應法律責任。如果您發現本站中有涉嫌抄襲或描述失實的內容，請聯系我們jiasou666@gmail.com 處理，核實后本網站將在24小時內刪除侵權內容。