江苏龙网

  1. 首页 > 人文 > >

中国统计网|机器学习路人实验！一份人人都能看懂的入门知识清单( 三 )


3.训练模型
此步骤涉及以模型的形式选择适当的算法和数据表示 。 清理后的数据分为两部分——训练和测试（比例视前提确定）;第一部分（训练数据）用于开发模型 。 第二部分（测试数据）用作参考依据 。
4.评估模型
为了测试准确性 ， 使用数据的第二部分（保持/测试数据） 。 此步骤根据结果确定算法选择的精度 。 检查模型准确性的更好测试是查看其在模型构建期间根本未使用的数据的性能 。
5.提高性能
此步骤可能涉及选择完全不同的模型或引入更多变量来提高效率 。 这就是为什么需要花费大量时间进行数据收集和准备的原因 。
无论是任何模型 ， 这5个步骤都可用于构建技术 ， 当我们讨论算法时 ， 您将找到这5个步骤如何出现在每个模型中！
中国统计网|机器学习路人实验！一份人人都能看懂的入门知识清单
文章图片
监督学习/预测模型顾名思义 ， 预测模型用于根据历史数据预测未来结果 。 预测模型通常从一开始就给出明确的指示 ， 如需要学习的内容以及如何学习 。 这类学习算法被称为监督学习 。
例如：当营销公司试图找出哪些客户可能会流失时 ， 就会使用监督学习 。 我们还可以用它来预测地震 ， 龙卷风等危险发生的可能性 ， 目的是确定总保险价值 。 使用的算法的一些示例是：最近邻算法 ， 朴素贝叶斯算法 ， 决策树算法 ， 回归算法等 。
1.无监督学习/描述性模型
它用于训练描述模型 ， 其中没有设置目标 ， 并且没有一个特征比另一个重要 。 无监督学习的情况可以是：当零售商希望找出产品组合时 ， 顾客往往会更频繁地购买 。 此外 ， 在制药工业中 ， 可以使用无监督学习来预测哪些疾病可能与糖尿病一起发生 。 这里使用的算法示例是：K-均值聚类算法
2.强化学习（RL）
这是机器学习的一个例子 ， 其中机器被训练根据业务需求做出特定的决定 ， 唯一的座右铭是最大化效率（性能） 。 强化学习所涉及的理念是：机器/软件代理根据其所处的环境不断地自我训练 ， 并应用它丰富的知识来解决业务问题 。 这种持续的学习过程可以减少人类专业知识的参与 ， 从而节省大量时间！
RL中使用的算法的示例是马尔可夫决策过程 。
Ps：监督学习和强化学习（RL）之间存在细微差别 。 RL主要涉及通过与环境交互来学习 。 RL代理从其过去的经验中学习 ， 而不是从其持续的试验和错误学习过程中学习 ， 而是外部主管提供示例的监督学习中学习 。
了解差异的一个很好的例子是无人驾驶汽车 。 自驾车使用强化学习来不断做出决策——走哪条路？速度是是多少？这些问题都是与环境互动后决定的 。 监督学习的一个简单表现是预测出租车从一个地方到另一个地方的车费 。
机器学习有哪些应用？了解机器学习的应用是非常有趣的 。 Google和Facebook广泛使用ML将其各自的广告推送给相关用户 。 以下是你应该了解的一些ML应用：
1.银行和金融服务
ML可用于预测可能违约支付贷款或信用卡账单的客户 。 这是至关重要的 ， 因为机器学习将帮助银行识别那些是可以获得贷款和信用卡的客户 。
2.医疗保健
它用于根据患者的症状诊断致命疾病（例如癌症） ， 并根据类似患者的过去数据对其进行统计 。
3.零售
它用于识别销售频繁（快速移动）的产品和缓慢移动的产品 ， 帮助零售商决定从货架上引入或移除哪种产品 。 此外 ， 机器学习算法可用于查找哪两个/三个或更多产品一起销售 。 这样做是为了设计客户忠诚度计划 ， 从而帮助零售商开发和维护忠诚的客户 。
这些例子只是冰山一角 。 机器学习在每个领域都有广泛的应用 。 上面包含的例子很容易理解 ， 至少可以体验机器学习的无所不能 。
随着人工智能的热潮 ， 人们开始逐渐的对机器学习产生了兴趣 ， 而这种兴趣也是全球化 ， 虽然人们对机器学习有很大的兴趣 ， 但是人们对机器学习似乎并没有真正的了解 ， 本文借由向一些非数据科学行业内的小白科普机器学习的过程中 ， 用非常白话的语言向我们介绍了什么是机器学习 ， 一些机器学习中的专业术语 ， 机器学习的步骤和机器学习的类型与应用 。 并且通过一些小案例向大家解释了各种算法的作用 ， 在我认为 ， 机器学习是进入人工智能领域一块很好的垫脚石 ， 至少不会再未来的浪潮中使我们迷失了方向 。


推荐阅读


上一篇：酷玩儿|苹果因遭受抢劫和抗议活动而暂时关闭美国零售店

下一篇：科技前线|原索尼笔记本 VAIO SX12 解析，理想的商务办公本