机器学习的步骤是什么?¶
执行机器学习任务有5个基本步骤:
- 收集数据:无论是excel、access、文本文件等原始数据，这一步(收集过去的数据)是未来学习的基础。相关数据的多样性、密度和体积越大，机器的学习前景就越好。
准备数据:任何分析过程都取决于所使用数据的质量。我们需要花时间确定数据的质量，然后采取步骤修复诸如丢失数据和异常值处理等问题。
训练模型:这一步涉及选择适当的算法和以模型的形式表示数据。清理后的数据分成两部分——训练和测试(比例取决于先决条件);第一部分(训练数据)用于建立模型。第二部分(测试数据)，作为参考。
- 评估模型:为了测试准确性，使用了数据的第二部分(测试数据)。这一步决定了根据结果选择算法的精度。检查模型准确性的一个更好的测试是查看它在模型构建过程中根本没有使用的数据上的性能。
- 改进模型:这一步可能涉及选择完全不同的模型或引入更多变量来提高效率。这就是为什么需要在数据收集和准备上花费大量时间的原因。
无论它是任何模型，这5个步骤可以用来构造技术，当我们讨论算法时，你会发现这5个步骤如何出现在每个模型!
机器学习算法有哪些类型?¶
监督学习/预测模型:¶
预测模型顾名思义是指根据历史数据预测未来的结果。预测模型通常从一开始就得到明确的指示，包括需要学习什么以及需要如何学习。这类学习算法被称为监督学习。 当营销公司试图找出哪些客户可能会流失时，就会使用监督学习。我们还可以用它来预测发生地震、龙卷风等危险事件的可能性，以确定总保险价值。使用的一些算法的例子有:最近邻，Naïve贝叶斯，决策树，回归等。
无监督学习/描述模型:¶
它用于训练描述性模型，其中没有设定目标，也没有哪个特征比其他特征重要。无监督学习的情况可以是:当零售商希望找出产品组合时，顾客往往会更频繁地购买。此外，在制药行业，无监督学习可以用于预测哪些疾病可能伴随糖尿病发生。这里使用的算法示例是:K-均值聚类算法
强化学习(RL):¶
这是机器学习的一个例子，训练机器根据业务需求做出特定的决策，唯一的座右铭是最大化效率(性能)。强化学习所涉及的思想是:机器/软件代理会根据其所接触的环境不断地进行自我训练，并将其丰富的知识应用于解决业务问题。这种持续的学习过程确保了较少的人力专业知识的参与，从而节省了大量的时间! 马尔可夫决策过程是RL算法的一个例子。
重要提示:监督学习和强化学习(RL)之间有一个微妙的区别。RL本质上包括通过与环境的交互来学习。RL代理从其过去的经验中学习，而不是像监督学习一样有外部“指导”。 一个很好的例子来理解这两者的区别，那就是自动驾驶汽车。自动驾驶汽车使用强化学习不断做出决定-走哪条路线?开到什么速度?是一些与环境相互作用后决定的问题。监督学习的一个简单表现就是预测从一个地方到另一个地方的车费是多少。
机器学习的应用是什么?¶
了解机器学习的应用是非常有趣的。谷歌和Facebook广泛使用机器学习向相关用户推送各自的广告。以下是一些应用:
- 银行和金融服务:ML可以用来预测哪些客户可能拖欠贷款或信用卡账单。这一点至关重要，因为机器学习将帮助银行识别哪些客户可以获得贷款和信用卡。
- 医疗保健:根据患者的症状并与过去同类患者的数据相结合，用于诊断致命疾病(如癌症)。
- 零售:它用于识别销售频率高的产品(快速移动)和销售速度慢的产品，帮助零售商决定引入或撤下什么样的产品。此外，机器学习算法可以用来找出两种/三种或更多的产品一起销售。这样做是为了设计客户忠诚度倡议，反过来帮助零售商发展和维护忠诚的客户。
参考资料：