机器学习-06-无监督算法-02-降维

总结

本系列是机器学习课程的系列课程，主要介绍机器学习中无监督算法，包括PCA降维算法等。

参考

用通俗易懂的方式讲解：主成分分析(PCA)算法及案例（Python 代码）

【官方双语/合集】线性代数的本质 - 系列合集

（机器学习）sklearn降维算法PCA（用几个小案例详解PCA降维）

本门课程的目标

完成一个特定行业的算法应用全过程：

懂业务+会选择合适的算法+数据处理+算法训练+算法调优+算法融合 +算法评估+持续调优+工程化接口实现

机器学习定义

关于机器学习的定义，Tom Michael Mitchell的这段话被广泛引用： 对于某类任务T和性能度量P，如果一个计算机程序在T上其性能P随着经验E而自我完善，那么我们称这个计算机程序从经验E中学习。

无监督算法

降维和PCA

PCA案例

from sklearn import datasets
iris = datasets.load_iris()
data=iris.data
print("降维前的数据\n",data[0:5])
from sklearn.decomposition import PCA 
pca=PCA(n_components=2)
newData=pca.fit_transform(data)
print("降维后的数据\n",newData[0:5])

输出为：

确定方向过程

针对完全没有基础的同学们 1.确定机器学习的应用领域有哪些 2.查找机器学习的算法应用有哪些 3.确定想要研究的领域极其对应的算法 4.通过招聘网站和论文等确定具体的技术 5.了解业务流程，查找数据 6.复现经典算法 7.持续优化，并尝试与对应企业人员沟通心得 8.企业给出反馈