[Python机器学习]机器学习概述

1、为何选择机器学习

　在智能应用的早期，许多系统使用人为的if和else语句来处理数据，以主动拦截邮箱的垃圾邮件为例，可以创建一个关键词黑名单，所有包含这些关键词的邮件被标记为垃圾邮件，这是人为制定策略的一种方式，但这种方式有以下两种缺点：

　　• 做决策所需要的逻辑只适用于单一领域和单项任务。任务哪怕稍有变化，都可能需要重写整个系统。

　　• 想要制订规则，需要对人类专家的决策过程有很深刻的理解

　而这种人为制定规则政策的方式最不适用的反面教材就是机器学习，由于计算机"感知"像素点（图像）的方式与人类感知面部的方式有非常大的不同，所以人们想制定一种规则来识别数字图像中的人脸，基本上是不可能的，而对机器学习算法，仅需要输入大量的人脸图像，就可以让算法确定人脸的特征，由此才实现人脸识别的功能。

2、机器学习能够解决的问题

　最成功的机器学习算法是能够将决策过程自动化的算法，又称为“监督学习算法”，就像老师监督一样，给出大量的试题以及答案，然后让人去判断。在这种算法中用户将成对的输入和预期输出提供给算法，算法会找到一种方法，根据给定输入给出预期输出。尤其是在没有人类帮助的情况下，给定前所未见的输入，算法也能够给出相应的输出。以前面的垃圾邮件的自动判断，用户提供大量的邮件作为输入，将大量邮件内是否为垃圾邮件作为预定输出，给定邮件就可以自动判断是否为垃圾邮件。

　　主要实例：

　　• 识别信封上手写的邮政编码：这里的输入是扫描的手写数字，预期输出是邮政编码中的实际数字。

　　• 基于医学图像判断肿瘤是否为良性：这里的输入是影像，输出是肿瘤是否为良性。

　　• 检测信用卡交易中的欺诈行为：这里的输入是信用卡交易记录，输出是该交易记录是否可能为诈骗。

　而另一种机器学习算法是"无监督学习算法"，在该算法中，只有输入数据是已知的，没有为算法提供输出数据。这种算法虽然有许多应用，但理解和评估这种算法往往困难很大。

　　主要实例：

　　• 确定一系列博客文章的主题：进行汇总，数据作为输入，而不知道有哪些主题，有多少主题。所以输出是未知的。

　　• 将客户分成具有相似偏好的群组：客户作为数据，但不知道可以按什么分组，分成哪几种主题的分组，所以输出未知。

　　• 检测网站的异常访问：每种异常访问方式都不同，而可能还有没有记录在案的异常访问示例。

　在机器学习中，这里的每个实体或每一行被称为一个样本（sample）或数据点，而每一列（用来描述这些实体的属性）则被称为特征（feature）。构建良好的数据表征，这被称为特征提取或者特征工程。由一个人的名字可以大概率判断一个人的性别就是这类应用。

3.熟悉任务和数据

　在学习过程中或者开始时要牢记这几个问题：

　　• 我想要回答的问题是什么？已经收集到的数据能够回答这个问题吗？

　　• 要将我的问题表示成机器学习问题，用哪种方法最好？

　　• 我收集的数据是否足够表达我想要解决的问题？

　　• 我提取了数据的哪些特征？这些特征能否实现正确的预测？

　　• 如何衡量应用是否成功？

　　• 机器学习解决方案与我的研究或商业产品中的其他部分是如何相互影响的？

4、Python的scikit-learn

　　scikit-learn 是一个开源项目，可以免费使用和分发，任何人都可以轻松获取其源代码来查看其背后的原理。scikit-learn 项目正在不断地开发和改进中，它的用户社区非常活跃。它包含许多目前最先进的机器学习算法，每个算法都有详细的文（http://scikit-learn.org/stable/documentation）。scikit-learn 是一个非常流行的工具，也是最有名的 Python 机器学习库。

　　安装scikit-learn

　　若已经安装了 Python，可以用 pip 安装上述所有包：

　　$ pip install numpy scipy matplotlib ipython scikit-learn pandas