python机器学习：常见概念解释

对于机器学习，我们经常会使用到scikit-learn库，但是有时候对这些库不怎么熟悉，所以我们很有必要对python机器学习中的常用概念做些解释，这样也好做到心中有底，不再是满头雾水的去使用。

首先我们来解释下机器学习中常用的学习概念。

有监督学习：其目标是从有标签训练数据中学习简历模型，并允许对未知的数据进行预测。

无监督学习：处理无标签数据，其目标是在数据中发现隐含模式，以抽取有用信息。

强化学习：强化学习是开发一个系统，基于该系统与其使用环境的相互作用，提高系统性能。其中通常会引入奖赏信号，与有监督学习相似，但是没有标签训练集，强化学习使用奖赏函数来持续改进其性能。

分类：分类是机器学习中常见的任务类型，主要因为他相对容易，很好理解并且能够解决很多常见问题。分类给予特征对一组实力赋予类别，分类是监督学习方法，它依赖标签训练集来建立模型参数。建立好的模型可以应用于无标签数据，用来预测每个实力所属的类别。一般分类分为两种，二分类和多分类。

回归：在某些情形下，我们所关心的事物并非是离散的类别，而是连续的变量，如概率，这类问题我们诚挚为回归。回归分析的主要目的是，理解自变量的变化如何影响因变量的变换，最简单的回归问题就是线性问题，为了进行预测，我们需要将一组数据近似为一条直线，这就是线性回归，这种方法通常需要最小化训练集中每个实力的误差平方和。典型的回归问题有，通过给定的症状范围和严重程度，评估疾病的可能性，或者根据过往表现来预测测试得分。

神经网络：一种基于传统统计学的模型，由大量的神经元与其关系构成。常用来对复杂的输入和输出关系进行建模

误差反向传递：给出信号，得到经过神经网络算法之后的结果（信号正向传播），再根据结果来修改神经网络中的神经元强度（信号反向传播）

通过正向和反向传播来更新神经元，从而形成更好的神经系统

每一个神经元都有属于它的激活函数，在训练过程中可以通过调整不同神经元的激活参数来调整模型

输入层：负责信息的传入

输出层：权衡、中转、输出信息

隐藏层：负责传入信息的加工处理