機器學習的流程共有以下七個步驟：
- 收集資料（Gathering data ）
- 準備數據（Preparing that data）
- 選擇模型（Choosing a model）
- 訓練機器（Training）
- 評估分析（Evaluation）
- 調整參數（Hyperparameter tuning）
- 預測推論（Prediction）
分類器 Classifcation
由上圖所示：機器學習分為四大塊： classification (分類)， clustering (聚類), regression (回歸), dimensionality reduction (降維)。
(1)(2)classification & regression
給定一個樣本特徵 x, 我們希望預測其對應的屬性值 y, 如果 y 是離散的, 那麼這就是一個分類問題，
反之，如果 y 是連續的實數, 這就是一個回歸問題。
(3)clustering (聚類)
聚類也是分析樣本的屬性, 有點類似classification, 不同的就是classification 在預測之前是知道 y 的範圍, 或者說知道到底有幾個類別, 而聚類是不知道屬性的範圍的。所以 classification 也常常被稱為 supervised learning, 而clustering就被稱為 unsupervised learning。
(4)dimensionality reduction
降維是機器學習另一個重要的領域, 降維有很多重要的應用, 特徵的維數過高, 會增加訓練的負擔與存儲空間, 降維就是希望去除特徵的冗餘, 用更加少的維數來表示特徵. 降維算法最基礎的就是PCA了,
機器學習常見算法
機器學習領域涉及到很多的算法和模型，這裡遴選一些常見的算法：
-
正則化算法（Regularization Algorithms）
-
集成算法（Ensemble Algorithms）
-
決策樹算法（Decision Tree Algorithm）
-
回歸（Regression）
-
人工神經網絡（Artificial Neural Network）
-
深度學習（Deep Learning）
-
支持向量機（Support Vector Machine）
-
降維算法（Dimensionality Reduction Algorithms）
-
聚類算法（Clustering Algorithms）
-
基於實例的算法（Instance-based Algorithms）
-
貝葉斯算法（Bayesian Algorithms）
-
關聯規則學習算法（Association Rule Learning Algorithms）
-
圖模型（Graphical Models） ### 正則化算法（Regularization Algorithms） 正則化算法是另一種方法（通常是回歸方法）的拓展，這種方法會基於模型複雜性對其進行懲罰，它喜歡相對簡單能夠更好的泛化的模型。 正則化中我們將保留所有的特徵變量，但是會減小特徵變量的數量級（參數數值的大小θ(j)）。這個方法非常有效，當我們有很多特徵變量時，其中每一個變量都能對預測產生一點影響。 算法實例：
-
嶺回歸（Ridge Regression）
-
最小絕對收縮與選擇算子（LASSO）
-
GLASSO
-
彈性網絡（Elastic Net）
-
最小角回歸（Least-Angle Regression）
原文網址：https://kknews.cc/news/4qmlrzg.html
原文網址：https://kknews.cc/news/4qmlrzg.html
原文網址：https://kknews.cc/news/4qmlrzg.html
參考資料:https://kknews.cc/news/4qmlrzg.html
