机器学习训练营——机器学习爱好者的自由交流空间（qq群号：696721295）
什么是机器学习？
通常，一个机器学习问题考虑一个包括
个样本的数据集，试图根据该数据集预测未知数据的某些属性。如果每个样本的维度高于1，那么每一个维度称为属性或特征。机器学习可以分成有监督学习(supervised learning)和无监督学习(unsupervised learning)两大类。其中，
有监督学习 数据带有额外的属性，这些额外属性正是我们想预测的。典型的有监督学习包括：
分类(
classification): 已知样本属于两个或多个类，我们想从标签已知的数据中预测标签未知的数据所属的类别。举一个分类问题的例子，手写数字的识别。在本例中，我们要把每一个输入向量分配到有限数量的离散类之一。回归(
regression): 如果想要的输出由一个或多个连续变量组成，那么这个任务被称作回归。举一个回归问题的例子，根据一个大马哈鱼的年龄和重量，预测它的长度。
无监督学习 训练数据由一个输入向量集组成，目标可能是发现相似的数据例子组，称为聚类(
clustering);也可能是确定输入空间的数据分布，称为密度估计(density estimation);或者出于数据可视化的目的，将来自高维空间的数据投射到低维空间上去。
训练集和检验集
简言之，机器学习是学习一个数据集的属性，然后将这些属性应用到新的数据上。因此，在评价一个算法优劣性的机器学习里，普遍的操作是：将数据集分割为两个子集，在一个子集上学习属性，称为训练集；在另一个子集上检验这些属性，称为检验集。
加载一个例子数据集
scikit-learn自带几个标准数据集。例如，用于分类的iris, digits数据集，和用于回归的波士顿房价数据集。下面，我们从shell启动python解释器，练习加载iris, digits数据集。
python环境里的数据集是一个类似字典型的对象，包括全部数据和描述数据属性的元数据(metadata), 数据存储在对象的.data成员里，实际上是一个包括样本和特征的数组。在有监督问题里，一个或多个xiangxiang响应变量被存储在.target成员里。例如，在上面加载的digits数据集，digits.data 可以访问用于分类digits样本的的特征。
from sklearn import datasets
iris = datasets.load_iris()
digits = datasets.load_digits()
print(digits.data) 
而digits.target则给出了正确分类的digits数据集，即，对应每一个数字图像的正确数字。
print(digits.target)
数据总是以一个二维数组的形式组织，通常，行代表样本，列代表特征。在digits数据集里，每一个原始样本是一个形如(8, 8)的数组。例如，访问代表数字0的图像
print(digits.images[0])
加载外部数据集
scikit-learn将任何数值型数据存储为numpy数组或scipy稀疏矩阵。其它可以转换为numpy数组的类型也可以。下面介绍几种推荐的数据加载方式：
pandas.io提供了一组工具，利用它们读取包括CSV,Excel,JSON,SQL等常见格式的数据集。pandas很适合处理不同类型的数据，并且能够把这些数据转为适合的数值数组。scipy.io专门处理在科学计算中常用的二进制形式，例如，.mat,.arffnumpy/routines.io是列形数据进入numpy数组的标准加载形式。scikit-learn的datasets.load_files函数作为文本文件的字典加载形式。在这种加载形式，每一个字典名是每一个类的名，而字典里的每一个文件则对应来自该类的一个样本。
提示：如果你管理自己的数值型数据，我们推荐使用一个优化过的文件格式，例如，HDF5, 这样可以减少数据加载时间。当你加载的外部数据很大时，这种方式尤其有用。不同的python库，例如，H5Py, PyTables, pandas都提供读写HDF5格式的数据的接口。
阅读更多精彩内容，请关注微信公众号：统计学习与大数据