机器学习基础篇(一)：机器学习概论

type

status

date

slug

summary

1.1 机器学习的定义

我在没学习机器学习之前，我其实已经明白，机器学习的核心，从字面意思去理解，就是让机器学习人类。所以机器学习，学习人类什么东西呢，学习的是人类做决策的能力。按照学科定义，机器学习是一门从数据中研究算法的科学学科。(Machine Learning(ML) is a scientific discipline that deals with the construction and study of algorithms that can learn from data.)机器学习如何做预测呢？根据已有的数据，进行算法选择，并基于算法和数据构建模型，最终对未来进行预测。相当于人类对所遇到事物的一系列规律总结。

1.2 机器学习的理性认识

可以从一些以经验见长的行业窥见这些基础道理，就比如Java工程师，高级Java工程师与初级工程师，在估工时的时候，就能看出来差别，年轻的工程师，估时不够精准，尝尝导致自己加班，很累，而老油条工程师，一般都会多估一些工时，预留处理新增的需求，这就是一种经验基础上导致的决策不同的最常见例子。

所以，要想让机器的做决策的能力更丰富，从上面的例子也能看出来，老工程师经历的更多，所以懂得更多，因此，让机器经过尽可能多的数据建模过程，一点一点与实际目标接近，这个过程可以通过算法优化，最终达成做优良决策的能力。

但是机器学习是有缺陷的，机器学习中是无法找到一个完美的函数f(x)。

因为机器学习，本质上是在通过数据训练的过程，而其实是有局限的。两个显而易见的问题，

数据本身存在局限性：

有限样本：现实中的数据通常是有限的，而完美的f(x) 可能需要无限数据才能准确捕捉所有可能的输入-输出关系。有限样本无法覆盖所有潜在情况，导致模型只能近似真实规律。

噪声和异常值：数据中不可避免存在噪声、测量误差或标注错误，完美拟合这些噪声会导致模型泛化能力下降（过拟合）。

其次，数据存在权重，偏差-方差权衡（Bias-Variance Tradeoff）：

高偏差（欠拟合）：简单模型可能无法捕捉数据的复杂模式，导致系统性误差。

高方差（过拟合）：复杂模型可能过度拟合训练数据中的噪声，在未见数据上表现差。

完美拟合的不可行性：追求零训练误差（如插值所有数据点）通常意味着模型复杂度极高，反而降低泛化性能。

1.3 机器学习概念

首先要清晰的认识到，机器学习，一定是借助于现有的算法的。

1.4 机器学习之常见应用框架

scikit-learn

1.5 机器学习之商业场景

模式识别

计算机视觉（人脸）

数据挖掘

统计学习

自然语言处理

语音识别（音色）

回归分析（房价预测）

1.6 机器学习应用

数据挖掘 • 计算机视觉 • 自然语言处理 • 生物特征识别 • 搜索引擎 • 医学诊断 • 检测信用卡欺诈

金融风控

量化交易 • 证券市场分析 • DNA序列测序 • 语音和手写识别 • 战略游戏 • 机器人

1.7 机器学习和数据挖掘区别与联系

机器学习是数据挖掘的重要工具。

数据挖掘，依赖于机器学习。通过机器学习来分析数据，数据库管理数据。

1.8 机器学习类型

有监督学习

有标注
找的是数据之间的映射关系

根据标注数据的类型进一步将有监督学习分类，标签数据是离散的则为分类任务；标签数据是连续的，则是回归任务。

无监督学习

无标注数据集
推断数据的内在结构

半监督学习

部分有标注数据集

强化学习

激励手段
贪吃蛇，下围棋（分数激励）

1.9 机器学习开发流程

首先是数据收集，数据收集需要自行完成，如果是学习阶段，可以通过第三方数据网站提供，比如阿里的天池大赛，里面有机器学习可参考的免费数据。其次之后，数据不符合要求，要处理，清洗，转换为数值，然后才能纳入计算，预处理之后，对数值数据提取数据特征，再开始进行数据建模，数据建模之后，需要进行评估，评估之后，再进行对应的优化升级。每一个环节都是紧密相关，机器学习开发流程中，数据处理是最占据时间的，大概占据了我们开发的百分之八十的时间。数据处理的重要性可想而知，这就好比那句话：新鲜的食材往往只需要最简单的烹饪方式…好的数据哪怕使用简单的算法也能有良好的反馈，但是如果是较差效果的数据，哪怕是最优的算法，也无法得出想要的效果。

训练集

测试集

哑编码

训练集构建模型，用测试集评估模型

交叉验证

准确率

召回率

精准率

F值