机器学习算法基本型 引言（笔记）

 

概念分类

我们常说的人工智能、机器学习、深度学习，他们的关系是什么？如何演进的？

 

 数据分析技术介绍

数据分析，大体上可以分成两类：统计回归和机器学习。统计回归，主要有OLS线性回归、Logistic回归等方法。在机器学习领域，主要使用的方法有聚类（K-means）、分类（J48决策树）、关联分析（MBA）、链接挖掘（Pagerank）、神经网络（NN）、贝叶斯网络（Bayes Net）。学习数据分析，主要是为了进行推理、解释、沟通和探索，具体一共是7大用途：REDCAPE（推理Reason、解释Explain、设计Desigh、沟通Communicate、行动Act、预测Predict、探索Explore）。

1、回归的主要目的是：通过研究一系列的自变量，分析事件发生的概率，了解哪个因素是影响最大的。分析的是 因果与概率，从而进行设计和沟通。做决策，用回归。比如logistic，分析哪些因素会让术后有些病人感染，有些不会感染，哪些因素会让有的客户流失，有的不流失？logistic和OLS最大的区别，是因变量，是2选1的。logistic因变量只有 是/否。重在从具体现象推一般规律，是一种归纳的思维方式。而OLS则是通过一系列自变量的演化，得到某个数据的平均值，比如房价，销售额等。重在从一般规律推具体现象，是一种演绎的思维方式。具体可以参看如下表格：

 2、机器学习的主要目的是：从数据中自动发现规律并构建模型，以对未来进行预测或对复杂模式进行识别。是为了实现预测和识别，从而进行自动化和优化。做提升准确率的预测，比如图像识别等，用机器学习。

 

 机器学习中，数据分析的整体流程如下：