问题：机器学习基本流程有哪些
解答：数据获取（爬虫等）、特征抽取（经验和探索）、数据转换（缺失值填充、标准化、降维）、模型训练、模型选择、模型预测
问题：监督学习做的是什么
解答：使用者给出特征和标签，算法挖掘规律，学习一个模式，并根据此模式预测新的特征对应的标签。包括线性回归、岭回归、 Lasso 回归、逻辑回归、线性判别分析和二次判别分析、支持向量机、决 策树、随机森林、AdaBoost、神经网络、深度学习和 K 最近邻算法在内的 众多监督学习方法。
问题：无监督学习做的是什么
解答：不给标签，算法根据原始特征寻找模式。常用方法包括聚类和降维。聚类：K 均值聚 类、分层聚类和谱聚类。降维包括以主成分分析为代表的线性降维，以及 以流形学习为代表的非线性降维。
问题：特征抽取的应用场景
解答：自然语言识别中， 人们借助 Word Embedding 技术，将以文字表示的词汇转换为以数值表示的向量。在图像识别中，人们首 先从原始的图片里提取出三原色、亮度等信息。在多因子选股中，人们从原始的价量数据 中提取出各类因子，也暗含了特征提取的思想。特征提取有一些基本套路，但是更多时候 基于人的经验和探索。优质的特征能够令模型训练的过程事半功倍。
问题：数据降维做的是什么
解答：降维能够避免特征之间相关 性的影响，也能避免维数灾难的发生。
问题：模型选择中的交互验证是什么
解答：交互验证的核心是将全部样本划分成两部分，一部分用来训练模型，称为训练集，另外一 部分用来验证模型，称为验证集，随后考察模型在训练集和验证集的表现是否接近。交互来进行验证。如果模型在验证时性能和训练时大致相同，那么就可以确信模型真的“学会” 了如何发现数据中的一般规律，而不是“记住”训练样本。这实际上和学生考试的情形类 似，要想考察学生是否掌握了某个知识点，不能使用课堂上讲过的例题，而应当使用相似 的习题。
