一、机器学习简介
机器学习概念：
是实现人工智能的一种途径，核心是让计算机系统通过数据自动学习规律，并基于这些规律进行预测或决策。无需显式编程。
机器学习算法可分为：
有监督学习：有标签
无监督学习：无标签
半监督学习：部分有标签，其他无标签
强化学习：Agent（代理）+环境+奖励+反馈
1.有监督学习：有标签
回归算法：连续
①KNN：
K近邻，周围k个最近的邻居类别。物以类聚，人以群分。通过距离远近判断来归类
欧氏距离
②线性回归：
通过回归算法，构建线性方程拟合数据，
比如房价预测，
分类算法：离散
③逻辑回归：
线性回归+激活函数sigmoid+阈值判断来分类
既分类又回归
④决策树：
通过树形结构对数据进行分类，拟合数据，每一个树节点代表特征，叶子节点代表分类。
根据分裂依据不同分为：
ID3算法
C4.5算法
CART算法
⑤集成学习：
通过多个基学习器进行学习。
bagging思想：
装袋法：
它是通过基学习器并行训练
通过有放回采样（自助法+bootstrap）+
平权投票多次表决来
取基学习器里最好的来预测结果。
代表算法：
随机森林算法（RF）
Boosting思想：
提升法
它是通过多个基学习器学习串行训练，关注上一个学习器的不足，进行优化。再通过加权投票来预测结果。
代表算法：
AdaBoost
GBDT
XGBoost
⑥朴素贝叶斯
使用贝叶斯公式，基于概率
分类算法，通过线性回归+激活函数来构建方程拟合函数。
1.2无监督学习：无标签
聚类算法：根据样本相似度分类
K-means
1.3半监督学习：部分有标签，其他无标签
1.4强化学习：Agent（代理）+环境+奖励+反馈
二、核心概念及组件
机器学习
样本 --- 一行数据
特征 --- 一列数据
标签 --- 要预测的变量
数据集
**训练集：**训练模型的数据------训练阶段
验证集：验证模型的数据。验证模型性能 ---- 测试阶段
测试集：测试模型的数据，测试模型性能 ---- 测试阶段
三、
四、机器学习建模完整流程
1.获取数据
2.数据基本处理
3.特征功能
4.机器学习（模型训练）
5.评估模型
回归指标：MSE（（真实值-预测值）^2）、MAE（|真实值-预测值|）
分类指标：准确率，召回率（预测的全不全），F1
聚类指标：轮廓系数
