本篇內(nèi)容介紹了“什么是Python機(jī)器學(xué)習(xí)”的有關(guān)知識(shí)，在實(shí)際案例的操作過(guò)程中，不少人都會(huì)遇到這樣的困境，接下來(lái)就讓小編帶領(lǐng)大家學(xué)習(xí)一下如何處理這些情況吧！希望大家仔細(xì)閱讀，能夠?qū)W有所成！

成都創(chuàng)新互聯(lián)堅(jiān)持“要么做到，要么別承諾”的工作理念，服務(wù)領(lǐng)域包括：網(wǎng)站制作、網(wǎng)站建設(shè)、企業(yè)官網(wǎng)、英文網(wǎng)站、手機(jī)端網(wǎng)站、網(wǎng)站推廣等服務(wù)，滿足客戶于互聯(lián)網(wǎng)時(shí)代的習(xí)水網(wǎng)站設(shè)計(jì)、移動(dòng)媒體設(shè)計(jì)的需求，幫助企業(yè)找到有效的互聯(lián)網(wǎng)解決方案。努力成為您成熟可靠的網(wǎng)絡(luò)建設(shè)合作伙伴！

什么是機(jī)器學(xué)習(xí)？

亞瑟·塞繆爾（Arthur Samuel）在1959年創(chuàng)造了“機(jī)器學(xué)習(xí)”一詞。他是人工智能和計(jì)算機(jī)游戲的先驅(qū)，并將機(jī)器學(xué)習(xí)定義為“使計(jì)算機(jī)無(wú)需明確編程即可學(xué)習(xí)的能力的研究領(lǐng)域”。

簡(jiǎn)而言之，機(jī)器學(xué)習(xí)是人工智能（AI）的一種應(yīng)用程序，它使程序（軟件）可以從經(jīng)驗(yàn)中學(xué)習(xí)并提高自己在完成一項(xiàng)任務(wù)時(shí)的自我，而無(wú)需進(jìn)行明確的編程。例如，您將如何編寫一個(gè)程序來(lái)根據(jù)水果的各種屬性（例如顏色，形狀，大小或任何其他屬性）識(shí)別水果？

一種方法是對(duì)所有內(nèi)容進(jìn)行硬編碼，制定一些規(guī)則并使用它們來(lái)識(shí)別結(jié)果。這似乎是唯一可行的方法，但永遠(yuǎn)無(wú)法制定適用于所有情況的完善規(guī)則。使用機(jī)器學(xué)習(xí)可以輕松解決此問(wèn)題，而無(wú)需任何規(guī)則，這使其變得更加健壯和實(shí)用。您將在接下來(lái)的部分中看到我們將如何使用機(jī)器學(xué)習(xí)來(lái)完成此任務(wù)。

因此，我們可以說(shuō)，機(jī)器學(xué)習(xí)是通過(guò)使機(jī)器具有最少的人工干預(yù)（即無(wú)需顯式編程）進(jìn)行學(xué)習(xí)的能力，從而使機(jī)器的行為和決策更具人性化?，F(xiàn)在出現(xiàn)了一個(gè)問(wèn)題，程序如何獲得任何經(jīng)驗(yàn)以及從中學(xué)習(xí)？答案是數(shù)據(jù)。數(shù)據(jù)也被稱為機(jī)器學(xué)習(xí)的動(dòng)力，我們可以肯定地說(shuō)沒(méi)有數(shù)據(jù)就沒(méi)有機(jī)器學(xué)習(xí)。

您可能想知道，機(jī)器學(xué)習(xí)一詞是在1959年引入的，它可以追溯到很久以前，那么為什么直到最近幾年都沒(méi)有提及它？您可能需要注意，機(jī)器學(xué)習(xí)需要巨大的計(jì)算能力，大量數(shù)據(jù)以及能夠存儲(chǔ)如此龐大數(shù)據(jù)的設(shè)備。我們直到最近才滿足所有這些要求并可以練習(xí)機(jī)器學(xué)習(xí)。

它與傳統(tǒng)編程有何不同？

您是否想知道機(jī)器學(xué)習(xí)與傳統(tǒng)編程有何不同？好吧，在傳統(tǒng)編程中，我們會(huì)將輸入數(shù)據(jù)以及經(jīng)過(guò)良好編寫和測(cè)試的程序饋入機(jī)器中以生成輸出。當(dāng)涉及到機(jī)器學(xué)習(xí)時(shí)，在學(xué)習(xí)階段，輸入數(shù)據(jù)以及與數(shù)據(jù)相關(guān)聯(lián)的輸出將被饋送到機(jī)器中，并為自己制定程序。

如果您不能完全理解這些內(nèi)容，請(qǐng)不要擔(dān)心，在接下來(lái)的部分中，您將獲得更好的理解。

為什么我們需要機(jī)器學(xué)習(xí)？

當(dāng)今的機(jī)器學(xué)習(xí)具有它所需要的全部注意力。機(jī)器學(xué)習(xí)可以使許多任務(wù)實(shí)現(xiàn)自動(dòng)化，尤其是只有人類才能利用其固有的智能來(lái)執(zhí)行的任務(wù)。僅在機(jī)器學(xué)習(xí)的幫助下，才能將這種智能復(fù)制到機(jī)器上。

在機(jī)器學(xué)習(xí)的幫助下，企業(yè)可以自動(dòng)化日常任務(wù)。它還有助于自動(dòng)化并快速創(chuàng)建數(shù)據(jù)分析模型。各個(gè)行業(yè)都依賴大量數(shù)據(jù)來(lái)優(yōu)化其運(yùn)營(yíng)并做出明智的決策。機(jī)器學(xué)習(xí)有助于創(chuàng)建可以處理和分析大量復(fù)雜數(shù)據(jù)以提供準(zhǔn)確結(jié)果的模型。這些模型精確，可擴(kuò)展，并且具有更少的周轉(zhuǎn)時(shí)間。通過(guò)構(gòu)建這種精確的機(jī)器學(xué)習(xí)模型，企業(yè)可以利用有利可圖的機(jī)會(huì)并避免未知的風(fēng)險(xiǎn)。

圖像識(shí)別，文本生成和許多其他用例正在現(xiàn)實(shí)世界中找到應(yīng)用。這擴(kuò)大了機(jī)器學(xué)習(xí)專家成為受追捧的專業(yè)人員的視野。 

目前的機(jī)器學(xué)習(xí)

在2012年，Alex Krizhevsky，Geoffrey Hinton和Ilya Sutskever發(fā)表了有影響力的研究論文，描述了一種可以顯著降低圖像識(shí)別系統(tǒng)錯(cuò)誤率的模型。同時(shí)，谷歌的X Lab開發(fā)了一種機(jī)器學(xué)習(xí)算法，該算法能夠自主瀏覽YouTube視頻，以識(shí)別包含貓的視頻。2016年，AlphaGo（由Google DeepMind的研究人員創(chuàng)建，用于玩中國(guó)古代的圍棋游戲）在與Lee Sedol的五場(chǎng)比賽中贏得了四場(chǎng)比賽的勝利，Le Sedol是十多年來(lái)一直是世界頂級(jí)圍棋選手。

現(xiàn)在，在2020年，OpenAI發(fā)布了GPT-3，這是有史以來(lái)功能最強(qiáng)大的語(yǔ)言模型。它可以編寫有創(chuàng)意的小說(shuō)，生成功能代碼，撰寫周到的業(yè)務(wù)備忘錄等。它的可能用例僅受我們的想象力限制。

機(jī)器學(xué)習(xí)的特點(diǎn)

自動(dòng)化：如今，您的Gmail帳戶中有一個(gè)垃圾郵件文件夾，其中包含所有垃圾郵件。您可能想知道Gmail如何知道所有這些電子郵件都是垃圾郵件？這是機(jī)器學(xué)習(xí)的工作。

它可以識(shí)別垃圾郵件，因此很容易實(shí)現(xiàn)此過(guò)程的自動(dòng)化。自動(dòng)執(zhí)行重復(fù)任務(wù)的能力是機(jī)器學(xué)習(xí)的最大特征之一。大量組織已經(jīng)在使用基于機(jī)器學(xué)習(xí)的文書工作和電子郵件自動(dòng)化。

例如，在金融部門，需要執(zhí)行大量重復(fù)，數(shù)據(jù)繁重和可預(yù)測(cè)的任務(wù)。因此，該行業(yè)在很大程度上使用了不同類型的機(jī)器學(xué)習(xí)解決方案。

改善客戶體驗(yàn)：對(duì)于任何企業(yè)而言，提供定制體驗(yàn)和提供更好的服務(wù)，是提高參與度，提升品牌忠誠(chéng)度和建立長(zhǎng)期客戶關(guān)系的最關(guān)鍵方法之一。

機(jī)器學(xué)習(xí)可以幫助我們實(shí)現(xiàn)兩者。您是否曾經(jīng)注意到，無(wú)論何時(shí)打開任何購(gòu)物網(wǎng)站或在互聯(lián)網(wǎng)上看到任何廣告，它們大多與您最近搜索的內(nèi)容有關(guān)？這是因?yàn)闄C(jī)器學(xué)習(xí)使我們能夠做出精確的驚人推薦系統(tǒng)。它們幫助我們定制用戶體驗(yàn)?，F(xiàn)

在開始使用該服務(wù)，如今，大多數(shù)公司都擁有一個(gè)聊天機(jī)器人，可以全天候（24×7）使用。例如，亞航的Eva。這些機(jī)器人提供了智能的答案，有時(shí)您甚至可能沒(méi)有注意到自己正在與機(jī)器人對(duì)話。

自動(dòng)化數(shù)據(jù)可視化：過(guò)去，我們已經(jīng)看到公司和個(gè)人正在生成大量數(shù)據(jù)。以Google，Twitter，F(xiàn)acebook等公司為例。他們每天產(chǎn)生多少數(shù)據(jù)？我們可以使用這些數(shù)據(jù)并可視化顯著的關(guān)系，從而使企業(yè)能夠制定更好的決策，從而使公司和客戶都從中受益。

借助用戶友好的自動(dòng)化數(shù)據(jù)可視化平臺(tái)（例如AutoViz），企業(yè)可以獲取大量新見解，從而提高流程的生產(chǎn)率。

商業(yè)智能：機(jī)器學(xué)習(xí)特性與大數(shù)據(jù)分析結(jié)合使用時(shí)，可以幫助公司找到解決問(wèn)題的方法，這些問(wèn)題可以幫助企業(yè)發(fā)展并產(chǎn)生更多的利潤(rùn)。

從零售到金融服務(wù)再到醫(yī)療保健，等等，機(jī)器學(xué)習(xí)已經(jīng)成為促進(jìn)業(yè)務(wù)運(yùn)營(yíng)的最有效技術(shù)之一。

機(jī)器學(xué)習(xí)的最佳語(yǔ)言是什么？

盡管有許多可用于機(jī)器學(xué)習(xí)的語(yǔ)言，但據(jù)我稱，Python是機(jī)器學(xué)習(xí)應(yīng)用程序的最佳編程語(yǔ)言。這是由于以下部分提到的各種好處?？梢杂糜跈C(jī)器學(xué)習(xí)應(yīng)用程序的其他編程語(yǔ)言是R，C ++，JavaScript，Java，C＃，Julia，Shell，TypeScript和Scala。R還是一種非常好的機(jī)器學(xué)習(xí)入門語(yǔ)言。

與其他編程語(yǔ)言相比，Python以其可讀性和相對(duì)較低的復(fù)雜性而聞名。機(jī)器學(xué)習(xí)應(yīng)用程序涉及復(fù)雜的概念，例如微積分和線性代數(shù)，這些實(shí)現(xiàn)需要花費(fèi)很多精力和時(shí)間。Python通過(guò)快速實(shí)施來(lái)幫助機(jī)器學(xué)習(xí)工程師驗(yàn)證想法，從而減輕了負(fù)擔(dān)。您可以查看《Python教程》以獲得對(duì)該語(yǔ)言的基本了解。在機(jī)器學(xué)習(xí)中使用Python的另一個(gè)好處是預(yù)構(gòu)建的庫(kù)。如下所述，針對(duì)不同類型的應(yīng)用程序有不同的軟件包：

•  在處理圖像時(shí)使用Numpy，OpenCV和Scikit

•  文本處理時(shí)，NLTK與Numpy和Scikit一起

•  Librosa用于音頻應(yīng)用

•  Matplotlib，Seaborn和Scikit用于數(shù)據(jù)表示

•  用于深度學(xué)習(xí)應(yīng)用程序的TensorFlow和Pytorch

•  科學(xué)計(jì)算科學(xué)

•  Django，用于集成Web應(yīng)用程序

•  熊貓用于高級(jí)數(shù)據(jù)結(jié)構(gòu)和分析

Python提供了在面向?qū)ο蟮木幊袒蚰_本之間進(jìn)行選擇的靈活性。也不需要重新編譯代碼。開發(fā)人員可以實(shí)施任何更改并立即查看結(jié)果。您可以將Python和其他語(yǔ)言一起使用以實(shí)現(xiàn)所需的功能和結(jié)果。

Python是一種通用的編程語(yǔ)言，可以在任何平臺(tái)上運(yùn)行，包括Windows，MacOS，Linux，Unix等。從一個(gè)平臺(tái)遷移到另一個(gè)平臺(tái)時(shí)，代碼需要進(jìn)行一些小的改動(dòng)和更改，并且可以在新平臺(tái)上使用了。

以下是使用Python解決機(jī)器學(xué)習(xí)問(wèn)題的好處的摘要：

機(jī)器學(xué)習(xí)的類型

機(jī)器學(xué)習(xí)大致分為三類

•  監(jiān)督學(xué)習(xí)

•  無(wú)監(jiān)督學(xué)習(xí)

•  強(qiáng)化學(xué)習(xí)

什么是監(jiān)督學(xué)習(xí)？

讓我們從一個(gè)簡(jiǎn)單的例子開始，說(shuō)您正在教一個(gè)孩子區(qū)分狗和貓。你會(huì)怎么做？

您可以給他/她看狗，然后說(shuō)“這是狗”，遇到貓時(shí)您會(huì)指出它是貓。當(dāng)您向孩子展示足夠多的貓狗時(shí)，他可能會(huì)學(xué)會(huì)區(qū)分它們。如果他訓(xùn)練有素，他也許就能認(rèn)出他從未見過(guò)的不同品種的狗。

同樣，在監(jiān)督學(xué)習(xí)中，我們有兩組變量。一種稱為目標(biāo)變量，或稱為標(biāo)簽（我們要預(yù)測(cè)的變量）和特征（可幫助我們預(yù)測(cè)目標(biāo)變量的變量）。

我們向程序（模型）顯示功能以及與這些功能關(guān)聯(lián)的標(biāo)簽，然后程序便能夠在數(shù)據(jù)中找到潛在的模式。以該數(shù)據(jù)集的示例為例，在該數(shù)據(jù)集中我們要根據(jù)房屋的大小來(lái)預(yù)測(cè)房屋的價(jià)格。作為目標(biāo)變量的價(jià)格取決于作為特征的尺寸。

Number of rooms	Price
1	$100
3	$300
5	$500

在真實(shí)的數(shù)據(jù)集中，我們將有更多的行和不止一個(gè)功能，例如大小，位置，樓層數(shù)等等。

因此，可以說(shuō)監(jiān)督學(xué)習(xí)模型具有一組輸入變量（x）和一個(gè)輸出變量（y）。一種算法識(shí)別輸入和輸出變量之間的映射函數(shù)。關(guān)系為y = f（x）。

在我們已經(jīng)知道輸出和算法每次都得到更正以優(yōu)化其結(jié)果的意義上，對(duì)學(xué)習(xí)進(jìn)行監(jiān)視或監(jiān)督。對(duì)數(shù)據(jù)集進(jìn)行算法訓(xùn)練并對(duì)其進(jìn)行修改，直到達(dá)到可接受的性能水平。

我們可以將有監(jiān)督的學(xué)習(xí)問(wèn)題歸類為：

回歸問(wèn)題–用于預(yù)測(cè)未來(lái)價(jià)值，并使用歷史數(shù)據(jù)對(duì)模型進(jìn)行訓(xùn)練。例如，預(yù)測(cè)房屋的未來(lái)價(jià)格。

分類問(wèn)題–各種標(biāo)簽訓(xùn)練算法以識(shí)別特定類別中的項(xiàng)目。例如，狗或貓（如上例中所述），蘋果或橙子，啤酒或葡萄酒或水。

什么是無(wú)監(jiān)督學(xué)習(xí)？

這種方法是沒(méi)有目標(biāo)變量，只有輸入變量（特征）的方法。該算法可自行學(xué)習(xí)并在數(shù)據(jù)中發(fā)現(xiàn)令人印象深刻的結(jié)構(gòu)。

目的是破譯數(shù)據(jù)中的基礎(chǔ)分布，以獲得有關(guān)數(shù)據(jù)的更多知識(shí)。

我們可以將無(wú)監(jiān)督學(xué)習(xí)問(wèn)題分組為：

聚類：這意味著將具有相同特征的輸入變量捆綁在一起。例如，根據(jù)搜索記錄對(duì)用戶進(jìn)行分組

關(guān)聯(lián)：在這里，我們發(fā)現(xiàn)控制數(shù)據(jù)集之間有意義關(guān)聯(lián)的規(guī)則。例如，觀看“ X”的人也會(huì)觀看“ Y”。

什么是強(qiáng)化學(xué)習(xí)？

在這種方法中，機(jī)器學(xué)習(xí)模型經(jīng)過(guò)訓(xùn)練，可以根據(jù)他們對(duì)自己的行為所獲得的獎(jiǎng)勵(lì)和反饋?zhàn)龀鲆幌盗袥Q策。機(jī)器學(xué)習(xí)如何在復(fù)雜和不確定的情況下實(shí)現(xiàn)目標(biāo)，并且在學(xué)習(xí)期間每次達(dá)到目標(biāo)都會(huì)獲得獎(jiǎng)勵(lì)。

強(qiáng)化學(xué)習(xí)與監(jiān)督學(xué)習(xí)在沒(méi)有可用答案的意義上有所不同，因此強(qiáng)化代理決定執(zhí)行任務(wù)的步驟。當(dāng)沒(méi)有訓(xùn)練數(shù)據(jù)集時(shí)，機(jī)器會(huì)從自己的經(jīng)驗(yàn)中學(xué)習(xí)。

機(jī)器學(xué)習(xí)算法

這可能是您機(jī)器學(xué)習(xí)過(guò)程中最耗時(shí)且最困難的過(guò)程。機(jī)器學(xué)習(xí)中有很多算法，您不需要完全了解它們就可以入門。但是我建議，一旦您開始練習(xí)機(jī)器學(xué)習(xí)，就應(yīng)該開始學(xué)習(xí)其中最受歡迎的算法，例如：

•  線性回歸

•  邏輯回歸

•  決策樹

•  支持向量機(jī)

•  樸素貝葉斯

•  K近鄰

•  K均值

•  隨機(jī)森林

•  梯度提升算法

•  GBM

•  XGBoost

•  LightGBM

•   貓助推器

在這里，我將簡(jiǎn)要概述一下機(jī)器學(xué)習(xí)中最簡(jiǎn)單的算法之一，即K近鄰算法（這是一種監(jiān)督學(xué)習(xí)算法），并說(shuō)明如何將其用于回歸和分類。我強(qiáng)烈建議檢查線性回歸和邏輯回歸，因?yàn)槲覀儗⒁獙?shí)現(xiàn)它們，并在實(shí)現(xiàn)部分將結(jié)果與KNN（K最近鄰）算法進(jìn)行比較。

您可能需要注意，對(duì)于回歸問(wèn)題和分類問(wèn)題，通常有單獨(dú)的算法。但是通過(guò)修改算法，我們可以將其用于分類和回歸，如下所示

K最近鄰居算法

KNN屬于一組懶惰的學(xué)習(xí)者。與急切的學(xué)習(xí)者（例如邏輯回歸，SVM，神經(jīng)網(wǎng)絡(luò)）相反，懶惰的學(xué)習(xí)者只是將訓(xùn)練數(shù)據(jù)存儲(chǔ)在內(nèi)存中。在訓(xùn)練階段，KNN整理數(shù)據(jù)（建立索引的過(guò)程），以便在推理階段有效地找到最接近的鄰居。否則，它將不得不將推理期間的每個(gè)新個(gè)案與整個(gè)數(shù)據(jù)集進(jìn)行比較，從而使其效率很低。

因此，如果您想知道什么是訓(xùn)練階段，急切的學(xué)習(xí)者和懶惰的學(xué)習(xí)者，現(xiàn)在請(qǐng)記住，訓(xùn)練階段是算法從提供給它的數(shù)據(jù)中學(xué)習(xí)的時(shí)間。例如，如果您經(jīng)歷了上面鏈接的線性回歸算法，則在訓(xùn)練階段，該算法將嘗試找到最佳擬合線，該過(guò)程包括大量計(jì)算，因此需要大量時(shí)間，并且這種類型的算法被稱為渴望的學(xué)習(xí)者。另一方面，懶惰的學(xué)習(xí)者就像KNN一樣，不涉及很多計(jì)算，因此訓(xùn)練速度更快。

分類問(wèn)題的K-NN

現(xiàn)在讓我們看看如何使用K-NN進(jìn)行分類。這里是一個(gè)假設(shè)的數(shù)據(jù)集，它試圖根據(jù)身高和體重（特征）來(lái)預(yù)測(cè)一個(gè)人是男性還是女性（標(biāo)簽）。

高度（厘米）-特征	重量（kg）-特點(diǎn)。	性別（標(biāo)簽）
187	80	男
165	50	女
199	99	男
145	70	女
180	87	男
178	65	女
187	60	男

現(xiàn)在讓我們繪制這些點(diǎn)：

現(xiàn)在，我們要分類一個(gè)新點(diǎn)，因?yàn)樗母叨葹?90 cm，重量為100 Kg。這是K-NN對(duì)這一點(diǎn)進(jìn)行分類的方式：

1. 鴻蒙官方戰(zhàn)略合作共建——HarmonyOS技術(shù)社區(qū)

2.  選擇K的值，用戶在分析數(shù)據(jù)后選擇他認(rèn)為最好的K值。

3.  測(cè)量新點(diǎn)與其最接近的K個(gè)點(diǎn)的距離。有多種計(jì)算此距離的方法，其中最常用的方法是-Euclidian，Manhattan（用于連續(xù)數(shù)據(jù)點(diǎn)，即回歸問(wèn)題）和Hamming距離（用于分類，即用于分類問(wèn)題）。

4.  確定更接近新點(diǎn)的點(diǎn)的類別，并相應(yīng)地標(biāo)記新點(diǎn)。因此，如果更接近我們的新點(diǎn)的大多數(shù)點(diǎn)屬于某個(gè)“ a”類，則我們的新點(diǎn)預(yù)計(jì)將來(lái)自“ a”類。

現(xiàn)在讓我們將此算法應(yīng)用于我們自己的數(shù)據(jù)集。讓我們首先繪制新數(shù)據(jù)點(diǎn)。

現(xiàn)在讓我們?nèi) = 3，即，我們將看到與新點(diǎn)最接近的三個(gè)點(diǎn)：

因此，它被分類為男性：

現(xiàn)在讓我們?nèi) = 5的值，看看會(huì)發(fā)生什么：

正如我們所看到的，最接近新數(shù)據(jù)點(diǎn)的四個(gè)點(diǎn)是男性，只有一個(gè)點(diǎn)是女性，因此我們以多數(shù)為準(zhǔn)，再次將其分類為“男性”。分類時(shí)，必須始終選擇K的值作為奇數(shù)。

回歸問(wèn)題的K-NN

我們已經(jīng)看到了如何使用K-NN進(jìn)行分類?，F(xiàn)在，讓我們看看進(jìn)行了哪些更改以將其用于回歸。該算法幾乎相同，只有一個(gè)區(qū)別。在分類中，我們檢查了所有最近點(diǎn)的大部分。在這里，我們將取所有最近點(diǎn)的平均值，并將其作為預(yù)測(cè)值。讓我們?cè)俅我韵嗤氖纠秊槔?，但是在這里我們必須根據(jù)一個(gè)人的身高（特征）來(lái)預(yù)測(cè)他的體重（標(biāo)簽）。

高度（厘米）-特征	重量（kg）-標(biāo)簽
187	80
165	50
199	99
145	70
180	87
178	65
187	60

現(xiàn)在我們有了一個(gè)高度為160cm的新數(shù)據(jù)點(diǎn)，我們將K值分別設(shè)為1,2和4來(lái)預(yù)測(cè)其權(quán)重。

當(dāng)K = 1時(shí)：我們數(shù)據(jù)中最接近160cm的點(diǎn)是165cm，其權(quán)重為50，因此我們得出的結(jié)論是預(yù)測(cè)的權(quán)重本身就是50。

當(dāng)K = 2時(shí)：兩個(gè)最接近的點(diǎn)分別是165和145，權(quán)重分別等于50和70。取平均值，我們說(shuō)預(yù)測(cè)重量為（50 + 70）/ 2 = 60。

當(dāng)K = 4時(shí)：重復(fù)相同的過(guò)程，現(xiàn)在我們?nèi)?個(gè)最接近的點(diǎn)，因此我們得到70.6作為預(yù)測(cè)的權(quán)重。

您可能會(huì)認(rèn)為這真的很簡(jiǎn)單，并且機(jī)器學(xué)習(xí)沒(méi)有什么特別的，它只是基礎(chǔ)數(shù)學(xué)。但是請(qǐng)記住，這是最簡(jiǎn)單的算法，一旦前進(jìn)，您將看到更加復(fù)雜的算法。

機(jī)器學(xué)習(xí)步驟

我希望機(jī)器學(xué)習(xí)只是在數(shù)據(jù)上應(yīng)用算法并獲得預(yù)測(cè)值，但這不是那么簡(jiǎn)單。機(jī)器學(xué)習(xí)中有幾個(gè)步驟對(duì)于每個(gè)項(xiàng)目都是必須的。

   1.  收集數(shù)據(jù)：這可能是最重要和最耗時(shí)的過(guò)程。在這一步中，我們需要收集可以幫助我們解決問(wèn)題的數(shù)據(jù)。例如，如果您要預(yù)測(cè)房屋的價(jià)格，我們需要一個(gè)適當(dāng)?shù)臄?shù)據(jù)集，其中包含有關(guān)過(guò)去房屋銷售的所有信息，然后形成表格結(jié)構(gòu)。我們將在實(shí)現(xiàn)部分中解決類似的問(wèn)題。

    2.  準(zhǔn)備數(shù)據(jù)：有了數(shù)據(jù)后，我們需要將其以正確的格式進(jìn)行處理。預(yù)處理涉及各種步驟，例如數(shù)據(jù)清理，例如，如果您的數(shù)據(jù)集包含一些空值或異常值（例如，字符串而不是數(shù)字），您將如何處理它？我們可以采用多種方法，但一種簡(jiǎn)單的方法是只刪除具有空值的行。

  同樣有時(shí)候在數(shù)據(jù)集中，我們可能會(huì)有對(duì)結(jié)果沒(méi)有影響的列，例如id，我們也將這些列也刪除了。我們通常使用數(shù)據(jù)可視化通過(guò)圖形和圖表對(duì)數(shù)據(jù)進(jìn)行可視化，然后在分析圖形之后確定特點(diǎn)是important.Data預(yù)處理是一個(gè)巨大的話題。

    3.  選擇模型：現(xiàn)在我們的數(shù)據(jù)已經(jīng)準(zhǔn)備就緒，可以輸入到機(jī)器學(xué)習(xí)算法中了。如果您想知道什么是模型？通常，“機(jī)器學(xué)習(xí)算法”與“機(jī)器學(xué)習(xí)模型”可以互換使用。模型是對(duì)數(shù)據(jù)運(yùn)行的機(jī)器學(xué)習(xí)算法的輸出。

  簡(jiǎn)單來(lái)說(shuō)，當(dāng)我們對(duì)所有數(shù)據(jù)實(shí)施算法時(shí)，我們得到的輸出包含所有規(guī)則，數(shù)字以及進(jìn)行預(yù)測(cè)所需的任何其他特定于算法的數(shù)據(jù)結(jié)構(gòu)。例如，在對(duì)數(shù)據(jù)執(zhí)行線性回歸后，我們得到了最佳擬合線的方程式，該方程式稱為模型。下一步通常是訓(xùn)練模型，以防萬(wàn)一我們不想調(diào)整超參數(shù)并選擇默認(rèn)參數(shù)。

    4.  超參數(shù)調(diào)整：超參數(shù)至關(guān)重要，因?yàn)樗鼈兛刂浦鴻C(jī)器學(xué)習(xí)模型的整體行為。最終目標(biāo)是找到能夠?yàn)槲覀儙?lái)最佳結(jié)果的超參數(shù)的最佳組合。但是這些超參數(shù)是什么？記住我們的K-NN算法中的變量K。

  當(dāng)我們?cè)O(shè)置不同的K值時(shí)，我們會(huì)得到不同的結(jié)果.K的最佳值不是預(yù)先定義的，并且對(duì)于不同的數(shù)據(jù)集是不同的。沒(méi)有方法可以知道K的最佳值，但是您可以嘗試不同的值并檢查哪個(gè)值可獲得最佳結(jié)果。這里的K是一個(gè)超參數(shù)，每個(gè)算法都有自己的超參數(shù)，我們需要調(diào)整它們的值以獲得最佳結(jié)果。

    5.  評(píng)估：您可能想知道，如何知道模型的性能好壞，還有什么比在某些數(shù)據(jù)上測(cè)試模型更好的方法呢？該數(shù)據(jù)被稱為測(cè)試數(shù)據(jù)，并且不能是我們?cè)谄渖嫌?xùn)練算法的數(shù)據(jù)（訓(xùn)練數(shù)據(jù)）的子集。

  訓(xùn)練模型的目的不是讓它學(xué)習(xí)訓(xùn)練數(shù)據(jù)集中的所有值，而是識(shí)別數(shù)據(jù)中的基礎(chǔ)模式，并基于此模式對(duì)從未見過(guò)的數(shù)據(jù)進(jìn)行預(yù)測(cè)。有多種評(píng)估方法，例如K折交叉驗(yàn)證等。我們將在下一節(jié)中詳細(xì)討論此步驟。

    6.  預(yù)測(cè)：現(xiàn)在我們的模型在測(cè)試集上也表現(xiàn)良好，我們可以在現(xiàn)實(shí)世界中使用它，并希望它在現(xiàn)實(shí)世界的數(shù)據(jù)上能夠表現(xiàn)良好。

機(jī)器學(xué)習(xí)的優(yōu)勢(shì)

1. 輕松識(shí)別趨勢(shì)和模式

機(jī)器學(xué)習(xí)可以查看大量數(shù)據(jù)，并發(fā)現(xiàn)人類看不到的特定趨勢(shì)和模式。例如，對(duì)于像Amazon和Flipkart這樣的電子商務(wù)網(wǎng)站，它可以了解其用戶的瀏覽行為和購(gòu)買歷史，以幫助他們選擇合適的產(chǎn)品，交易和提醒。它使用結(jié)果向他們顯示相關(guān)廣告。

2. 持續(xù)改進(jìn)

我們將不斷生成新數(shù)據(jù)，并在將數(shù)據(jù)提供給機(jī)器學(xué)習(xí)模型時(shí)幫助其隨時(shí)間升級(jí)并提高其性能和準(zhǔn)確性。我們可以說(shuō)，這就像獲得經(jīng)驗(yàn)一樣，因?yàn)樗麄儾粩嗵岣邷?zhǔn)確性和效率。這使他們可以做出更好的決策。

3. 處理多維和多元數(shù)據(jù)

機(jī)器學(xué)習(xí)算法擅長(zhǎng)處理多維和多類型的數(shù)據(jù)，并且它們可以在動(dòng)態(tài)或不確定的環(huán)境中做到這一點(diǎn)。

4. 廣泛的應(yīng)用

您可以是電子零售商或醫(yī)療保健提供者，并可以使用機(jī)器學(xué)習(xí)。在適用的情況下，它具有幫助向客戶提供更多個(gè)人體驗(yàn)的能力，同時(shí)還可以針對(duì)合適的客戶。

“什么是Python機(jī)器學(xué)習(xí)”的內(nèi)容就介紹到這里了，感謝大家的閱讀。如果想了解更多行業(yè)相關(guān)的知識(shí)可以關(guān)注創(chuàng)新互聯(lián)網(wǎng)站，小編將為大家輸出更多高質(zhì)量的實(shí)用文章！

當(dāng)前文章：什么是Python機(jī)器學(xué)習(xí)
文章起源：http://jinyejixie.com/article2/poeooc.html

成都網(wǎng)站建設(shè)公司_創(chuàng)新互聯(lián)，為您提供網(wǎng)站改版、營(yíng)銷型網(wǎng)站建設(shè)、關(guān)鍵詞優(yōu)化、品牌網(wǎng)站設(shè)計(jì)、企業(yè)網(wǎng)站制作、域名注冊(cè)

廣告

聲明：本網(wǎng)站發(fā)布的內(nèi)容（圖片、視頻和文字）以用戶投稿、用戶轉(zhuǎn)載內(nèi)容為主，如果涉及侵權(quán)請(qǐng)盡快告知，我們將會(huì)在第一時(shí)間刪除。文章觀點(diǎn)不代表本網(wǎng)站立場(chǎng)，如需處理請(qǐng)聯(lián)系客服。電話：028-86922220；郵箱：631063699@qq.com。內(nèi)容未經(jīng)允許不得轉(zhuǎn)載，或轉(zhuǎn)載時(shí)需注明來(lái)源： 創(chuàng)新互聯(lián)