机器学习开发的流程（sk-learn）
加载数据集
数据预处理
选择模型（算法）
训练模型
评估模型
如果模型达到要求，进入实战
如果模型达不到要求,可以优化(调参数).扩展数据集,增加泛化能力,可以换模型
——————————————————————
·监督学习算法
——————K-近邻算法（KNN）
样本集包含每条数据与分类的对应关系
输入新数据，将新数据的每个特征与样本集中数据对应特征比较
计算新数据与样本集每条数据的距离，然后排序
取前k个样本对应分类标签，出现次数最多的分类标签作为新数据的分类
例子：
爱情片和动作片，接吻和打斗镜头，样本集有若干爱情片和打斗片
来了一个有若干镜头的片，计算它与其他电影的距离，当然，如果他是爱情片那他与其他爱情片距离近，取前几个样本的分类当然就是爱情片
流程：
加载数据，构建特征矩阵 归一化
计算样本距离，预测样本分类（求k个距离最近点的class，最后得到预测class）
用测试集测试，求模型预测正确率
KNN优点：精度高，对异常值不敏感、无数据输入假定
缺点：计算复杂度高、空间复杂度高
适用数值型和标称型数据
（需要先训练样本数据，无法给出基本构成信息，无法平均具体特征，而决策树将使用概率测量方法处理分类问题）
——————logistic回归算法
套一层sigmoid函数变成二分分类方法，y非0即1（概率问题），forwardprop和backprop梯度下降求最优
容易出现问题：梯度消失和爆炸、过拟合和欠拟合
优点：计算代价不高，容易理解和实现
缺点：容易欠拟合，分类精度不高，需要各种调优（归一、正则、优化算法等）
适用数值型和标称型数据
——————朴素贝叶斯算法NBM
给出待分类项，求解此项各个类别的概率，哪个最大就预测是哪个
贝叶斯P(A|B)=P(B|A)P(A)/P(B)
朴素：AB事件相互独立
应用：比如用他来解决垃圾邮件过滤
流程：
分析数据集取出3000个常用词
训练集样本数m，构建m*3000矩阵X，计算每个邮件中词频
构建目标向量Y（标注好的为垃圾邮件的）
使用X，Y训练模型，测试集评估score，或使用预测predict
优点：数据少时也有效，可缺失数据
缺点：数据必须来自同一分布
——————决策树算法 Decision Tree
决策树：通过计算信息增益，找到是信息增益最大的一组最优解特征，然后根据最优解特征构建一棵树来做分类，这棵树就叫决策树
信息熵：系统或体系的混乱程度
y=-∑pi*log(pi) 累加m类别数量，p分别为分配到对应类别的概率
决策树分为分类树和回归树两种
分类树对离散变量做决策树，回归树对连续变量做决策树
优点：复杂度低，数据可丢失，一般处理不相关特征数据
缺点：过度匹配
——————SVM支持向量机
工作原理：寻找最大分类间距，通过拉格朗日函数求优化的问题
流程：收集、准备、分析数据 训练算法 测试算法
使用算法（SVM是一个二类分类器，对多类问题应用需要做一些修改）
线性可分时，直接SVM一下
非线性情况，需要用到核函数kernel，将数据映射到高维空间，达到线性可分
SVM的优点：泛化能力强、一般性
缺点：参数条件和核函数选择敏感，不加修改的SVM仅适用于处理二分类问题（多分类问题可以执行多次二分类）
——————随机森林算法
使用多个决策树当作一个分类器，投票表决
它可以平衡误差，泛化能力强，训练速度快，容易做成并行化方法
它的缺点就是容易过拟合
——————AdaBoost算法 属于boosting算法
Adaboost是一种迭代算法，其核心思想是针对同一个训练集训练不同的分类器(弱分类器)，然后把这些弱分类器集合起来，构成一个更强的最终分类器（强分类器）
使用多个分类器训练，将训练错误标注加权，迭代训练，以达到整体分类最佳
优点：泛化，错误率低，无参数调节，自行训练错误加权
缺点：对错误异常敏感
————————推荐算法
学术研究少，应用非常多 各种用户推荐、广告推荐
精准定位，减少成本，提高准确率
物以类聚，人以群分，你朋友喜欢的，你也可能喜欢
协同过滤算法（可以通过使用SVD奇异值分解近似矩阵X被配制）
给用户找朋友（协同）
将朋友消费过的所有商品做一个评分估计
过滤掉该用户消费过的商品（过滤）
将未消费过的商品排序，把评分高的返回
做推荐
实现流程：加载数据 计算推荐目标用户与其他用户的距离，找到相似用户
将相似用户（朋友）消费过的商品进行评分估计
过滤掉该用户已经消费的商品 排序，将评分高的商品返回
计算距离方式
欧式距离 两个点的绝对距离 对数值敏感，适用推测距离
余弦距离 两个向量的夹角余弦
关注向量之间角度，不关系长度，不关系具体数值，适用推测是否同样的三观，只是程度不同
杰卡德距离 交集和并集的比值 度量相似程度，适用推测相似度
·非监督学习算法
——————K-Means算法
k聚类数 means平均值 质点：样本点 簇：数据集合
工作原理：随机选k个质点
分别计算各样本到质点的距离，把样本点划给每个质点
计算每个簇.样本集的平均值，更新为新的质点
重复划分样本点和更新质点位置，直到质点的变化量足够小
每个簇的质点class就是当前簇所有样本点的class
能局部的看问题，数据集大时收敛比较慢，效率不高
但他不会处理异常点，对数据敏感易出错，这时就用基于密度的聚类DBSCAN
——————DBSCAN聚类算法
核心点：他的eps邻域至少包含minpts的对象点 边界点、噪音点
边界点是某个核心点邻域内的，是直接密度可达的
流程：加载数据集 设置eps和minpts
从数据集随机拿一个点
如果它是核心点就找它所有的密度可达点，形成一个簇，如果不是核心点就换个点重找
重复找点形簇，直到所有点都被分类
最终返回所有的簇
优点是比kmeans好用，是挺常用的聚类
它的缺点就是对数据敏感，如果数据集密度不均匀的话就搞不成，需要好好设设参数，它的正确率无法确定，看数据集吧，一般性较差
——————PCA主成分分析算法
从大数据集中，找到主要的特征提取出来做后续操作，降维.提升效率.专注
一个数m和一个向量x，使Ax=mx，则称m是矩阵A的特征值，x是A的特征向量
协方差：两组数据的偏离程度，结果为正=正相关
Var(X)=i=∑(Xi?X平均)(Yi-Y平均)/n-1
对协方差矩阵求特征值和特征向量 用矩阵多项式求 然后排序
选择占比大的那些特征向量构建新的特征矩阵，做后续操作
流程：加载数据-计算协方差.构建矩阵-找到占比大的特征向量.主成分.构建新样本集-后续操作
优点：提升效率.简化数据，降低数据的复杂性.识别最重要的特征，如决策树般简单.像SVM一样的分类效果
缺点：可能损失一些必要的特征，只能适用于数值型数据集
——————SVD奇异值分解算法
矩阵分解为多个独立部分，mn=mkkkkn
奇异值：特征值的开方
根据奇异值矩阵中奇异值，如果某写奇异值的总和超过90%,认为其他奇异值都为0，其他特征都是噪声或者冗余特征
奇异值矩阵的特点：
是一个对角方阵，只有对角线有元素，其余元素为0，元素由小到大顺序排列
数据挖掘关联性分析算法：
——————Apriori算法
寻找物品间的关系 频繁项集：经常出现的一组数据
支持度：数据集中包含一个项集所占总体的比例
可信度：用支持度做计算，Ka_b=Zab/Za
Apriori原理：一个项集是频繁的，它的子集也是频繁的，反之亦然
流程：加载数据集，指定最小支持度
生成单项集列表 扫描列表，去除不满足最小支持度的项集（剪枝）
对剩下的项集进行排列组合 重复迭代，最后把满足条件的项集列表输出
缺点：对大数据处理慢
——————FP-growth算法
是基于Apriori算法构建一个FP树 效率提升
流程和Apriori差不多，在最后构建一棵树