初识机器学习

几个基础算法

关联规则

啤酒和尿布的案例 原始的购物篮分析，属于数据挖掘范畴，但也是机器学习的必备算法。

协同过滤

高级的购物篮分析，是推荐系统常用到的算法之一

聚类

运营商人群分类案例 通过聚类分离不同人群，然后再分析人群的特点，制定不同的品牌，其属于机器学习范畴，对于给定的数据，运行给定的算法即可获得相关结果

朴素贝叶斯

原始的垃圾邮件过滤经常被用到

决策树

通过不同的参数指标来获得对事物的评判

CTR预估

类似于PageRank的目的，其对指定对象进行评分排名

机器学习和数据分析的区别

处理数据的不同

机器学习：处理行为数据，搜索记录，浏览记录，评论记录等等 数据分析：处理交易数据，账单工单等等 数据量：海量/行为数据 VS 交易/少量数据

数据特点不同

交易数据的一致性要求非常高，事务保证，确保数据一致性 行为数据一致性不高，数据缺失影响不大，对于整体分析结果影响较少 对于交易型数据的存储：关系型数据库 行为数据：MongoDB等NoSQL数据库

• 对于数据一致性不高的特点：产生了NoSQL
• NoSQL特点：保证数据吞吐量的前提下会损失一致性，所以存储上：

分析方法不同

数据分析多采用采样分析 机器学习大多是全量分析，数据量越多，分析结果越贴合

解决的问题不一样

过去的历史数据特点：数据分析 预测未来的用户特点：机器学习

技术手段不同

参与者、受众不同

数据分析取决于分析师的能力视角，目标用户是特定决策者 机器学习结果：取决于数据质量，数据驱动，算法影响较小，目标用户是数据用户本身

机器学习算法分类

按训练数据特点

对样本数据进行训练，得到一个模型，然后判断Y(输出)-X(输入)关系

1. 有监督学习：分类算法(类别)、回归算法(数字) 例如分类垃圾邮件： 训练数据明确给出每个样本属于哪个类别，已经打好标签 特点，垃圾邮件已知，通过训练获得垃圾邮件的特征，从而分类出垃圾邮件 评判：给出垃圾邮件，要分到垃圾类别
2. 无监督学习：不知道类别，标签未知，数据中没有Y 例如用户聚类： 分类之前不知道具体类别，算法结束后才知道具体类别和类别特征
3. 半监督学习、强化学习 可能开始有Y值，但是模型结果不好，但随着训练增多结果变好

按算法解决问题

1. 分类和回归：预测分类，预测Y值
2. 聚类
3. 标注：例如文本，可以切词，打标签，标注算法

按算法的本质

1. 生成模型：告诉属于各个类的概率，模棱两可，陪审团
2. 判别模型：直接给算法，数据丢进去返回哪一类，非黑即白，法庭宣判 通常用来说分类问题 例如逻辑回归和朴素贝叶斯的本质区别：是判别和生成模型的区别 从算法实现思想出发，非常重要！

常见算法

其他杂类

机器学习的框架

机器学习解决的问题无非两类：预测、分类 预测：预测所属分类、预测预测数值，区别：预测目标Y是连续的还是离散的

算法概要流程

准备工作

1. 首先确定业务需求，确定问题
2. 围绕问题收集数据
3. 特征工程：预处理、提取特征，清洗整合重构，ETL过程，时间占比七成左右 例如预测购买力，要确定收入、学历等数据，筛选出来结构化 如果数据准备好了，那么用哪种模型对结果效果影响较小，特征工程的影响非常大 数据的好坏基本会决定了整个学习的效果。

训练模型

1. 针对问题定义模型 定义模型的参数是不知道的，通过训练数据求参数，最终产生一个公式
2. 定义损失函数 评估偏差的大小，机器学习没法得到问题的解析解/精确解，找到偏差最小的函数 偏差的定义：对于回归问题就是真实与预测的查，对于分类问题偏差定义较困难不直观，必须用数学方式定义之。loglogth，thinge等等
3. 优化算法 在定义损失函数之后，确定损失函数的最小值，往往演变为优化问题，又会用到一些优化算法，纯数学问题：凸优化问题、优化问题，涉及梯度下降、随机梯度下降、坐标法等等

模型评估（在输入数据、计算、得到模型之后）

1. 交叉验证：K值实值等等
2. 效果评估指标：准确率，召回率，方差，ROC曲线，AOC等等 检验模型好不好的标准 难度：损失函数，优化算法

示例：将图像按颜色分类

确定问题：按颜色分类 收集数据：大量图片文件 特征工程：对于图片要根据图像内容，每个像素点由三数字组成；图片大小不一样，即数据维度不一样，如何将图片文件转换为聚类格式，转换为统一维度的向量 训练模型：K-Mean聚类 评价指标：暂略 注意：每次结果可能不一致