機器學習實戰

最近的閑暇時間越來越少，每周至少要運行出來一個經典的機器學習演算法，而且每兩周要讀懂一篇外文文獻並在周六彙報，而且小編自認代碼能力不足，所以很少寫作了。因此，就在這裡發表一些自己的每周工作，給自己的生活做一些總結。

小編的專業是深度學習，也算是機器學習的一個重要分支了，所以必須參透機器學習的種種規則定義。今天小編主要看了機器學習實戰這本書的前兩章，在這裡做一個簡單的總結。

機器學習的真實含義：利用計算機來彰顯數據背後的意義。簡單來說，機器學習就是把無序的數據轉換為有用的信息。

有監督學習（supervised learning）與無監督學習（unsupervised learning）的區別在於輸入的樣本集是否有標籤。

分類和回歸屬於有監督學習。分類，顧名思義就是將輸入的樣本按類別進行劃分，它是機器學習的主要任務；回歸主要用於預測數值型數據，比如數據擬合曲線（通過給定點的最優擬合曲線）。之所以兩者屬於監督學習，是因為這類演算法必須知道預測什麼，即目標變數的分類信息。

聚類屬於無監督學習 。聚類是將數據集合分成由類似的對象組成的多個類的過程。

開發機器學習應用程序的步驟：①收集數據。為節省時間，可使用公開的數據源；②準備輸入數據。得到數據之後，還必須保證數據格式是否符合要求；③分析輸入數據。查看是否有異常數據，確保數據集無垃圾數據（若信任數據源，可跳過此步驟）；④訓練演算法。機器學習演算法從這一步開始真正的學習；⑤測試演算法。檢驗演算法成功率，若不滿意結果跳回第四步；⑥使用演算法。將機器學習演算法轉換為應用程序，執行實際任務。

註：第四步和第五步是機器學習演算法的核心。

機器學習演算法可由多種語言實現，在此主要講python。小編在自己電腦上安裝了兩個版本的python，因為大家都了解2.X和3.X的語法在某些地方稍有不同。

python語言的優勢在於①語法清晰；②易於操作純文本文件；③使用廣泛，存在大量的開發文檔。唯一的缺點就是性能問題。

機器學習演算法大量的使用python里的Numpy函數庫，所以要提前安好，可利用pip指令進行安裝（小編就是這麼做的）。在python的Scripts文件夾下打開命令窗口並輸入：pip list，可以看到安裝的python模塊。

在Shell腳本下輸入以下命令，出現下面的輸出結果說明安裝正確。

k-近鄰演算法（kNN）

優點：精度高、對異常值不敏感、無數據輸入假定

缺點：計算複雜度高、空間複雜度高

適用數據範圍：數值型和標稱型

原理：存在一個樣本數據集，也稱作訓練樣本集，並且樣本集中每個數據都存在標籤，即我們知道樣本集中每一數據與所屬分類的對應關係。輸入沒有標籤的新數據後，將新數據的每個特徵與樣本集中數據的特徵進行對比，然後演算法提取樣本集中特徵最相似數據（最近鄰）的分類標籤。一般來說，我們只選樣本數據集中前k個相似的數據，這就是k近鄰演算法k的出處。

偽代碼：

對未知類別屬性的數據集中的每個點依次執行以下操作：

（1）計算已知類別數據集中的點與當前點之間的距離；

（2）按照距離遞增次序排序；

（3）選取與當前點距離最小的k個點；

（4）確定前k個點所在類別出現概率；

（5）返回前k個出現頻率最高的類別作為當前點的預測分類。

樣本點分布情況：

①每周消費的冰淇淋公升數（縱軸）與玩視頻所耗時間百分比（橫軸）數據散點圖

②玩視頻所耗時間百分比（縱軸）與每年獲取的飛行常客里程數（橫軸）數據散點圖

測試結果：錯誤率0.064

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！