除却一些无关紧要的情况，人们很难直接从原始数据本身获得所需信息。例如 ，对于垃圾邮
件的检测，侦测一个单词是否存在并没有太大的作用，然而当某几个特定单词同时出现时，再辅
以考察邮件长度及其他因素，人们就可以更准确地判定该邮件是否为垃圾邮件。简单地说，机器
学习就是把无序的数据转换成有用的信息。
机器学习横跨计算机科学、工程技术和统计学等多个学科，需要多学科的专业知识。稍后你
就能了解到，它也可以作为实际工具应用于从政治到地质学的多个领域，解决其中的很多问题。
甚至可以这么说，机器学习对于任何需要解释并操作数据的领域都有所裨益。
开发出能够识别鸟类的计算机软件，鸟类学者就可以退休了。因为鸟类学者是研究鸟类的专家，
因此我们说创建的是一个专家系统。
表 1-1是我们用于区分不同鸟类需要使用的四个不同的属性值，我们选用体重、翼展、有无
脚蹼以及后背颜色作为评测基准。现实中，你可能会想测量更多的值。通常的做法是测量所有可
测属性，而后再挑选出重要部分。下面测量的这四种值称之为特征，也可以称作属性，也可将其称为特征。表丨—丨中的每一行都是一个具有相关特征的实例。
机器学习的主要任务就是分类。最终我们决定使用某个机器学习算法进行分类，首先需要做的是算法训练，即学习如何分类。
通常我们为算法输人大量已分类数据作为算法的训练集。训练集是用于训练机器学习算法的数据
样本集合，表 1-1是包含六个训练样本的训练集，每个训练样本有4种特征、一个目标变量，如图
1-2所示。目标变量是机器学习算法的预测结果，在分类算法中目标变量的类型通常是标称型的，
而在回归算法中通常是连续型的。训练样本集必须确定知道目标变量的值，以便机器学习算法可
以发现特征和目标变量之间的关系。正如前文所述，这里的目标变量是物种，也可以简化为标称型的数值。我们通常将分类问题中的目标变量称为类别，并假定分类问题只存在有限个数的
类别。
为了测试机器学习算法的效果，通常使用两套独立的样本集：训练数据和测试数据。当机器
学习程序开始运行时，使用训练样本集作为算法的输人，训练完成之后输人测试样本。输人测试
样本时并不提供测试样本的目标变量，由程序决定样本属于哪个类别。比较测试样本预测的目标
变量值与实际样本类别之间的差别，就可以得出算法的实际精确度。
假定这个鸟类分类程序，经过测试满足精确度要求，是否我们就可以看到机器巳经学会了如
何区分不同的鸟类了呢？这部分工作称之为知识表示，某些算法可以产生很容易理解的知识表
示 ，而某些算法的知识表示也许只能为计算机所理解。知识表示可以采用规则集的形式，也可以
采用概率分布的形式，设置可以是训练样本集中的一个实例。在某些场合中，人们可能并不想建
立一个专家系统，而仅仅对机器学习算法获取的信息感兴趣。此时，采用何种方式表示知识就显
得非常重要了^
机器学习的另一项任务是回归，它主要用于预测数值型数据。大多数人可能都见过回归的
例子—— 数据拟合曲鉍：通过给定数据点的最优拟合曲线。分类和回归属于监督学习，之所以称
之为监督学习，是因为这类算法必须知道预测什么，即目标变量的分类信息。
与监督学习相对应的是无监督学习，此时数据没有类别信息，也不会给定目标值。在无监督
学习中，将数据集合分成由类似的对象组成的多个类的过程被称为聚类；将寻找描述数据统计值
的过程称之为密度估计。此外，无监督学习还可以减少数据特征的维度，以便我们可以使用二维
或三维图形更加直观地展示数据信息。表 1-2列出了机器学习的主要任务，以及解决相应问题的
算法。
选择合适的算法
选择实际可用的算法，必须考虑下面两个问题：一 、使用机器学习
算法的目的，想要算法完成何种任务，比如是预测明天下雨的概率还是对投票者按照兴趣分组。二是要理解和分析收集到的数据是什么。首先考虑使用机器学习算法的目的。如果想要预测目标变量的值，则可以选择监督学习算法，
否则可以选择无监督学习算法。确定选择监督学习算法之后，需要进一步确定目标变量类型，如
果目标变量是离散型，如是/否、1/2/3、― 冗或者红/黄/黑等，则可以选择分类器算法；如果目
标变量是连续型的数值，如0.0~ 100.00、-999~999或者+00~-00等 ，则需要选择回归算法。
如果不想预测目标变量的值，则可以选择无监督学习算法。进一步分析是否需要将数据划分
为离散的组。如果这是唯一的需求，则使用聚类算法；如果还需要估计数据与每个分组的相似程
度 ，则需要使用密度估计算法。次需要考虑的是数据问题。我们应该充分了解数据，对实际数据了解得越充分，越容易创
建符合实际需求的应用程序。主要应该了解数据的以下特性：特征值是离散型变量还是连续型变量 ，特征值中是否存在缺失的值，何种原因造成缺失值，数据中是否存在异常值，某个特征发生
的频 率如何（是否罕见得如同海底捞针），等等。充分了解上面提到的这些数据特性可以缩短选
择机器学习算法的时间。我们只能在一定程度上缩小算法的选择范围，一般并不存在最好的算法或者可以给出最好结
果的算法，同时还要尝试不同算法的执行效果。对于所选的每种算法，都可以使用其他的机器学
习技术来改进其性能。在处理输入数据之后，两个算法的相对性能也可能会发生变化。
开发机器学习应用程序的步骤
使用机器学习算法开发应用程序，通常遵循以下的步骤。
(1 )收集数据。我们可以使用很多方法收集样本数据，如 ：制作网络爬虫从网站上抽取数据、
从&38反馈或者八?1中得到信息、设备发送过来的实测数据（风速、血糖等)。提取数据的方法非
常多，为了节省时间与精力，可以使用公开可用的数据源。
(2 )准备输入数据。得到数据之后，还必须确保数据格式符合要求，还需要为机器学习算法准备特定的数据格式，如某些算法要求特征值使用特定的格式，
一些算法要求目标变量和特征值是字符串类型，而另一些算法则可能要求是整数类型。
(3)分析输入数据。此步骤主要是人工分析以前得到的数据。为了确保前两步有效，最简单
的方法是用文本编辑器打开数据文件，査看得到的数据是否为空值。此外，还可以进一步浏览数
据 ，分析是否可以识别出模式；数据中是否存在明显的异常值，如某些数据点与数据集中的其他
值存在明显的差异。通过一维、二维或三维图形展示数据也是不错的方法，然而大多数时候我们
得到数据的特征值都不会低于三个，无法一次图形化展示所有特征。这一步的主要作用是确保数据集中没有垃圾数据。如果是在产品化系统中使用机器学习算法
并且算法可以处理系统产生的数据格式，或者我们信任数据来源，可以直接跳过第3步
需要人工干预，如果在自动化系统中还需要人工干预，显然就降低了系统的价值。
(4)训练算法。机器学习算法从这一步才真正开始学习。根据算法的不同，第4步和第5步是
机器学习算法的核心。我们将前两步得到的格式化数据输入到算法，从中抽取知识或信息。这里
得到的知识需要存储为计算机可以处理的格式，方便后续步骤使用。
如果使用无监督学习算法，由于不存在目标变量值，故而也不需要训练算法，所有与算法相
关的内容都集中在第5步。
⑶测试算法。这一步将实际使用第4步机器学习得到的知识信息。为了评估算法，必须测试算
法工作的效果。对于监督学习，必须已知用于评估算法的目标变量值；对于无监督学习，也必须用
其他的评测手段来检验算法的成功率。无论哪种情形，如果不满意算法的输出结果，则可以回到第
4步 ，改正并加以测试。问题常常会跟数据的收集和准备有关，这时你就必须跳回第1步重新开始。
( 6 ) 使用算法。将机器学习算法转换为应用程序，执行实际任务，以检验上述步骤是否可以
在实际环境中正常工作。此时如果碰到新的数据问题，同样需要重复执行上述的步骤。
