機(jī)器學(xué)習(xí)的初學(xué)者必看指南

引言

Google的自駕車和機(jī)器人得到了很多新聞，但公司的真正未來是機(jī)器學(xué)習(xí)，這種技術(shù)使計(jì)算機(jī)變得更智能，更個(gè)性化。-Eric Schmidt (Google Chairman)

我們可能生活在人類歷史上最具影響力的時(shí)期——計(jì)算從大型主機(jī)到PC移動(dòng)到云計(jì)算的時(shí)期。 但是使這段時(shí)期有意義的不是發(fā)生了什么，而是在未來幾年里我們的方式。

這個(gè)時(shí)期令像我這樣的一個(gè)人興奮的就是，隨著計(jì)算機(jī)的推動(dòng)，工具和技術(shù)的民主化。 今天，作為數(shù)據(jù)科學(xué)家，我可以每小時(shí)為幾個(gè)玩偶構(gòu)建具有復(fù)雜算法的數(shù)據(jù)處理機(jī)。 但到達(dá)這里并不容易，我已經(jīng)度過了許多黑暗的日日夜夜。

誰可以從本指南中獲益最多
我今天發(fā)布的可能是我創(chuàng)造的最有價(jià)值的指南。

創(chuàng)建本指南背后的理念是簡化全球有抱負(fù)的數(shù)據(jù)科學(xué)家和機(jī)器學(xué)習(xí)愛好者的旅程。 本指南能夠使你在研究機(jī)器學(xué)習(xí)問題的過程中獲取經(jīng)驗(yàn)。 我提供了關(guān)于各種機(jī)器學(xué)習(xí)算法以及R＆Python代碼的高級(jí)理解以及運(yùn)行它們，這些應(yīng)該足以使你得心順手。

我故意跳過了這些技術(shù)背后的統(tǒng)計(jì)數(shù)據(jù)，因?yàn)槟悴恍枰陂_始時(shí)就了解它們。 所以，如果你正在尋找對(duì)這些算法的統(tǒng)計(jì)學(xué)理解，你應(yīng)該看看別的文章。 但是，如果你正在尋找并開始構(gòu)建機(jī)器學(xué)習(xí)項(xiàng)目，那么這篇文章給你帶來極大好處。

監(jiān)督學(xué)習(xí)
工作原理：該算法由一組目標(biāo)/結(jié)果變量（或因變量）組成，該變量將根據(jù)給定的一組預(yù)測變量（獨(dú)立變量）進(jìn)行預(yù)測。 使用這些變量集，我們生成一個(gè)將輸入映射到所需輸出的函數(shù)。 訓(xùn)練過程繼續(xù)進(jìn)行執(zhí)行，直到模型達(dá)到培訓(xùn)數(shù)據(jù)所需的準(zhǔn)確度水平。 監(jiān)督學(xué)習(xí)的例子：回歸，決策樹，隨機(jī)森林，KNN，邏輯回歸等

無監(jiān)督學(xué)習(xí)
如何工作：在這個(gè)算法中，我們沒有任何目標(biāo)或結(jié)果變量來預(yù)測/估計(jì)。 用于不同群體的群體聚類和用于不同群體的客戶進(jìn)行特定干預(yù)。 無監(jiān)督學(xué)習(xí)的例子：Apriori算法，K-means。

加強(qiáng)學(xué)習(xí)：
工作原理：使用這種算法，機(jī)器受到學(xué)習(xí)和訓(xùn)練，作出具體決定。 它以這種方式工作：機(jī)器暴露在一個(gè)環(huán)境中，它連續(xù)不斷地使用試錯(cuò)。 該機(jī)器從過去的經(jīng)驗(yàn)中學(xué)習(xí)，并嘗試捕獲最好的知識(shí)，以做出準(zhǔn)確的業(yè)務(wù)決策。 加強(qiáng)學(xué)習(xí)示例：馬爾可夫決策過程

以下是常用機(jī)器學(xué)習(xí)算法的列表。 這些算法幾乎可以應(yīng)用于任何數(shù)據(jù)問題：
線性回歸
邏輯回歸
決策樹
SVM
樸素貝葉斯
KNN
K-Means
隨機(jī)森林
降維算法
Gradient Boost＆Adaboost

它用于基于連續(xù)變量來估計(jì)實(shí)際價(jià)值（房屋成本，電話數(shù)量，總銷售額等）。在這里，我們通過擬合最佳線來建立獨(dú)立變量和因變量之間的關(guān)系。這個(gè)最佳擬合線被稱為回歸線，由線性方程Y = a * X + b表示。

理解線性回歸的最好方法是回想童年的經(jīng)歷。比如，你要求五年級(jí)的孩子通過體重來從小到大排序班里的學(xué)生，而事先不告訴學(xué)生們的體重！你認(rèn)為孩子會(huì)做什么？他/她很可能在身高和體格上分析人物的體重，并使用這些可視參數(shù)的組合進(jìn)行排列。這是現(xiàn)實(shí)生活中的線性回歸！孩子實(shí)際上已經(jīng)弄清楚，身高和體格將有一個(gè)關(guān)系與體重相關(guān)聯(lián)，看起來就像上面的等式。

在這個(gè)方程式中：

Y-因變量
a - 斜率
X - 自變量
b - 截距
這些系數(shù)a和b是基于最小化數(shù)據(jù)點(diǎn)和回歸線之間的距離的平方差之和導(dǎo)出的。

看下面的例子。這里我們確定了線性方程y = 0.2811x + 13.9的最佳擬合線。現(xiàn)在使用這個(gè)方程，我們可以找到一個(gè)人（身高已知）的體重。

線性回歸主要有兩種類型：簡單線性回歸和多元線性回歸。 簡單線性回歸的特征在于一個(gè)自變量。 而且，多元線性回歸（顧名思義）的特征是多個(gè)（多于1個(gè)）自變量。 在找到最佳擬合線的同時(shí)，可以擬合多項(xiàng)式或曲線回歸線，這些被稱為多項(xiàng)式或曲線回歸。