入行机器学习有一年多了，做过大大小小的机器学习项目，参加数据竞赛等实践活动，从最初的懵懵懂懂到现在逐步的深入，也渐渐的有了很多的体会和理解，本篇文章主要来阐述机器学习的知识体系，以让更多人明白机器学习应该怎样学习、需要学习什么？这些问题就是本篇文章的主要讨论的内容，下面开始进行详细介绍。
先对本篇文章的目录做个介绍：
- 1.机器学习术语
- 2.常见算法类型
- 3.评估方法和指标
- 4.性能优化和超参数调优
1.机器学习术语
接下来正式介绍机器学习术语。机器学习术语作为作为最基本的常识问题，为了更好的学习和理解机器学习算法，识记和理解相关术语是非常必要的。术语常见的有特征、标签、泛化能力、有监督与无监督学习、过拟合、欠拟合、鲁棒性、分类、回归、聚类与降维、集成学习等。
在这里只介绍机器学习、特征、标签、有监督与无监督学习这几个术语，其它术语在后面会一一介绍。
(1)机器学习
机器学习是指根据历史数据，使用某种算法或者规则从数据中寻找规律，以达到预测未知的事情，这就是通俗的机器学习概念
(2)特征
特征是指与事物本身关系紧密的属性，通俗来讲特征是一组自变量数据。
(3)标签
标签是指一组属性特征所对应的标志值，通俗来讲标签是一组应变量数据。
【福利1：如何快速且深刻的区别和理解特征与标签的含义、区别？】
福利1：例如关系式：y=x1+x2+x3，y就是标签，而x1、x2、x3则是特征，下面将特征与标签以二维向量的形式展示，以加强理解：
x1（特征） x2（特征） x3（特征） y（标签）
样本1 2 1 5 8
样本2 5 6 3 14
… … … … …
(4)有监督与无监督学习
有监督学习是指算法在训练过程中，不仅数据特征参与训练，而且数据标签也参与到训练中以辅助特征的训练学习。
无监督学习是指算法在训练过程中，只有数据特征参与训练学习，而数据标签是不确定或未知。
【福利2：如何快速理解与区别有监督、无监督学习呢？】
福利2：有监督学习=特征+标签；无监督学习=特征。
2.常见算法类型
机器学习常见的算法类型有：分类、回归、聚类、降维。
(1)分类
分类算法是指针对标签为离散型数据的一类问题进行算法训练，从而预测并进行分类的过程。分类算法常见的有：K近邻算法、朴素贝叶斯、逻辑回归、支持向量机、决策树（在这里先不列出集成学习之类的分类算法）。
(2)回归
回归算法是指针对标签为连续型数据的一类问题进行算法训练，从而预测并进行拟合的过程。回归算法常见的有：线性回归、岭回归、lasso回归。
(3)聚类
聚类算法是指利用事物特征的相似度进行聚类划分的过程。比较常见的聚类算法是k-means。
(4)降维
降维是指将高维数据低维化的过程，旨在通过少量特征的信息来代替总体特征的信息。常见的是主成分分析（PCA）。
3.评估方法与指标
性能评估是指算法进行训练学习之后，为了验证算法的可靠性，需要性能评估方法和指标来衡量算法的优劣情况。
(1)评估方法
评估方法常见的是：holdout验证、k-fold交叉验证。
(2)评估指标
分类评估指标主要有：准确率、混淆矩阵、精确率、召回率、f1分数、auc值以及P-R曲线、roc曲线。
回归评估指标主要有：绝对平均误差、均方差、均方根误差等。
4.性能优化和超参数调优
性能优化是指对算法模型进一步改进，以得到更为理想的预测效果。性能优化常见的有梯度下降、超参数调优、集成学习算法、正则项惩罚、有效特征选择等。
本篇机器学习整体知识体系介绍完毕，欢迎留言交流学习，每天学习成长一点点！！！
