机器学习？

是类似《生化危机6：终章》里“红女王”那样的存在吗？作为掌控着整个地下研究所运作的，最尖端的人工智能生命体，它让我们见识了计算机程序的厉害角色，同时警醒人类对科技与伦理关系的反思。

在许多人直觉的观念里，机器学习就该是如此这般，不仅能打造具有模仿能力的机器人，还能赋予人工智能以“兼具人类情感”的未来。

不得不说，以上理解是如此美好，但就现阶段而言，这更像是我们的一厢情愿！

事实上的机器学习，还远不能支撑起高级的人工智能。比起炫目的梦幻色彩，它更偏指“借助计算机，洞察数据背后真实内涵”的现实意义。如今，机器学习软件已遍布各类应用场景（人脸识别、语音识别、手写字体识别、垃圾邮件过滤、智能推荐等），并被许多公司用来服务于商业价值的实现（改善商业决策、提高生产率、检测疾病、预测天气等），数据也借此被释放出前所未有的魅力。

一、什么是机器学习

机器学习， 是一门横跨”计算机科学、工程技术、概率论、统计学、逼近论、凸分析“等众多学科的交叉学科，以“计算机模拟或实现人类学习行为”为研究对象，旨在赋予机器以持续的自我更新能力，并实现将无序数据有序化为有用信息的根本目的。

以”鸟类识别系统“的研发为例，我们设置了四个基于属性的评测基准：体重、翼展、有无脚蹼、后背颜色，用以区分不同的鸟类。

特征：属性及对应的属性值（测量值）；

实例：由一组相关特征描述的一个具体的鸟的分类；

数值型：十进制数字形式的数值，对应上表的前两种特征；

二值型： 由0或1表示的”是/否“或 ”有/无“等形式的数值，对应上表的第三种特征；

枚举类型：基于有限列举的类型，对应 上表的第四种”后背颜色“特征；

此例中机器学习的主要任务是分类

自动化 识别飞鸟分类，可借助“安装多个带有照相机的喂食器”和“在喂食器中放置称重仪器”的方式得以实现：照相机接入计算机用于视觉识别；称重仪器用于量取鸟的体重。当一只鸟儿飞来觅食，利用计算机视觉技术便可提取鸟的翅长、 鸟脚类型、后背色彩。得到全部特征信息后，接下来的工作就是对鸟儿就行分类了，这是许多机器学习擅长的技能。

用机器学习算法进行分类的方法

1. 算法训练

算法训练，即教会机器如何分类。

做法是，为算法输人大量分类数据做为算法训练集。

（必须确定知道训练样本集的目标变量值，以便机器学习算法发现特征和目标变量之间的关系）

训练集：用于训练机器学习算法的数据样本集合，上表是一个包含六个训练样本的训练集，每个训练样本含4种特征、一个目标变量。

目标变量： 机器学习算法预测的结果，即具体的鸟儿分类。

2. 算法测试

往训练完成后的算法，输入测试测试样本，由程序判别样本的类别归属，并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。

二、机器学习的主要任务

1、监督学习

监督学习，即在机械学习过程中，根据提供的对错指示，通过算法让机器自我减少误差。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。

监督学习从给定的训练数据集中学习出一个函数，当新的数据到来时，可以根据这个函数预测结果。

其中，训练集要求同时包括输入与输出，即特征和目标（训练集中的目标是由人标注的）。常见的监督学习算法包括：

A. 回归分析:通过数据拟合曲线等方法，预测数值型数据；

B. 统计分类:将实例数据划分到合适的分类中。

2、无监督学习

无监督学习，又称归纳性学习，即利用K方式建立中心，并通过循环和递减运算减小误差，达到分类的目的。

无监督学习可减少数据特征维度，以便用二维或三维图形直观展示数据信息。

值得一提的是，无监督学习中的数据，没有类别信息（只有聚类过程），也不给定目标值。

聚类：无监督学习中，将数据集合分成由类似对象组成的多个类的过程；

密度估计：寻找描述数据统计值的过程。

三、如何选择合适的算法

1. 根据使用机器学习算法的目的

监督算法or 无监督算法

监督学习算法：预测目标变量值，选用监督学习算法。

无监督学习算法：不预测目标变量值，选用无监督学习算法。

分类器算法or回归算法

分类器算法：选定监督学习算法后，进一步明确目标变量类型，如目标变量是“是/否”、“1/2/3”、“黄/黑”等类型，则可以选择分类器算法；

回归算法：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 ，则选择回归算法。

聚类算法or密度估计算法

聚类算法：需将数据划分为离散的组；

密度估计算法：需将数据划分为离散的组,并估计数据与每个组的相似程度。

2. 根据数据问题

对实际数据（特征值是离散型还是连续型，特征值中是否存在缺失数值，造成缺失的原因、异常值等）了解越充分，越有利于缩短选选择机器学习算法的时间，以创建符合实际需求的应用程序。

但是，能缩小的算法选择范围是有限的，一般并不存在最好的算法或能给出最优结果的算法，一般说来发现最好算法的关键在于反复试错的迭代过程。这也是我们要尝试不同算法执行效果的原因。而对于所选择的每种算法，都可以使用其他的机器学习技术进行性能改进。

四、开发机器学习应用的步骤

1. 收集数据

可以使用很多方法收集样本数据，如制作网络爬虫从爬取网页数据、 从RSS反馈或从API中得到信息、设备发送过来的实测数据等。

提取数据的方法非常多，为了节省时间精力，可使用公开可用的数据源。

2. 准备输入数据

得到数据之后，必须确保数据格式符合要求。Python语言List可以融合算法和数据源，方便匹配操作。

另外，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具有字符串类型，而另外一些算法则可能要求是整数类型。

3. 分析输入数据

人工分析以前得到的数据，确保前两步有效，确保数据集中没有垃圾数据。最简单的方 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 ，分析可识别的模式。数据中是否存在明显异常值，如某些数据点或数据集中的其他值存在明显差异。通过一 、二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，这就要用到提炼数据的方法，即将多维数据压缩到二维或三维 ，以方便图形化展示。

如果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，而数据来源又比较可靠，也可以直接跳过第3步。不过，如果在自动化系统中还需要人工干预，显然系统的价值就降低了。

4.  训练算法

这一步开始，才进入机器学习算法学习阶段。

将前两步得到的格式化数据输入到算法，从中提取知识或信息。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，由于存在目标变量值，所以也不需要训练算法，所有算法相关的内容都集中在第5步。

5. 测试算法

使用第4步机器学习得到的知识信息，测试算法工作效果。如果不满意算法输出结果，则可以回到第 4步，改正并加以测试。或者跳回第1步重新开始。

其中，对于监督学习，必须已知用于评估算法目标变量值；对于无监督学习，也必须用其他的评测手段来检验算法是否成功。

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。若发现新的数据问题，同样需要重复执行上述步骤。