python机器学习算法简介

机器学习目的

• 描述式分析的目的是了解过去
• 探索性分析的目的是预知未来

机器学习本质

模式识别：寻找特征和标签（结果）之间的关系

算法本质都是数学函数，机器学习的过程就是给函数找参数（特征）和调整参数值，以让函数曲线尽量拟合数据的过程。

与传统数学、计算机算法有何不同？

• 确定性算法
  • 追求绝对正确
  • 代价是应用范围窄
    • 数学公式
    • 传统计算机科学算法
• 概率性算法
  • 不那么精确，却是比没有算法要可靠
  • 好处是应用范围广
    • 机器学习不探究事物的本质，不追求精确模型，只用基本的模型算法，直接以数据驱动预测

---

机器学习算法分类

• 监督学习：有标签（预测结果）
  • 分类
    • 对离散型变量预测的监督学习算法，定性输出
    • 邮件过滤，金融欺诈
  • 回归
    • 对数值型连续变量进行预测的监督学习算法，定量输出
    • 房价预测，股票走势等连续变化案例

• 无监督学习无标签（预测结果）

  • 聚类
    • 数据没有标注，基于数据内部结构寻找样本的自然集群
    • 新闻聚类，文章推荐
  • 降维
    • 数据信息丢失最少的原则下，降低特征维度，方便理解和计算

• 半监督学习（少部分有标签，大部分没有标签）

• 强化学习（增强学习）
  • AlphaGo
• 深度学习
  • 多层神经网络
  • 语音，图像识别

监督学习包含算法：

• 线性回归
  • 岭回归：目标函数为平方损失函数+L2正则
  • Lasso回归：目标函数为平方损失函数+L1正则
• 逻辑回归（仅含有一层神经元的单层的神经网络）
• 神经网络（多层神经网络叫做深度学习）
• Knn
• 决策树
• 朴素贝叶斯
• 支持向量机（svm）

无监督学习包含算法：

• 聚类：K-Means
• 降维：主成分 分析PCA

集成算法：

• Bagging
  • 随机森林
• Boosting
  • Adaboost
  • Gradient Boosting
  • 其他实现
    • XGboost
    • GBDT
  • Stacking