机器学习 | 一步一步跟我学Python（十）

2017-10-02 本文已影响96人肚财神

1.本系列基于新生大学课程《Python编程&数据科学入门》和公开的参考资料；

2.文章例子基于python3.6，使用Windows系统（除了安装，其余基本没有影响）；

3.我是纯小白，所以，错误在所难免，体系会逐渐成熟；如果您发现了错误，也烦请帮我指出来，在此先谢过了。

这次课是最后一堂课，讲的是机器学习。

讲课的是吴博士，吴博士是北美世界100强的一名数据科学家，讲的内容也是自己工作中遇到的具体案例。

这节课的目的不是学会机器学习的代码，而是带领大家一窥机器学习的真实面目，打消对机器学习的盲目崇拜。所以，这堂课我也写不出代码来。只能把机器学习的真实含义讲出来，供大家参考。

数据分析师是怎样一个职业？

数据科学家或者说数据分析员，平时的主要工作是挖掘数据价值，为数据提供者提出优化战略，为内部商业伙伴提供咨询。他们每天的工作是把商业问题转化为定量分析问题，从统计分析以及机器学习中找到答案。

需要掌握的计算机技术包括：R/Python、SAS、Spark、SQL等等。

R语言、Python语言是非常棒的定量分析工具，只要精通一门，就能99%的问题。而python还能应用到其他领域。

在数据分析遇到的一个挑战有两个：

机器实际上就是算法，学习的过程就是构建模型的过程。

通过对大量数据进行窥探，从中找出规律，形成更好的决策，这中模式在北美已经越来越流行。这个趋势在世界其他地方会普及开来。

现在的大数据是一个热词。那么究竟大数据是什么呢？

吴博士的理解是：一台计算机无法出来的数据量，就是大数据。你必须依赖比如spark这样的算法来实现分析。

所以大数据也是一个不断发展的概念，以前的大数据，对我们来说可能就是一个小数据。

机器学习的两大任务：

从给定的训练数据中集中学习出一个函数，当新的数据到来时，预测结果。

监督学习最大的特征：有特征和目标。特征为输入，目标为输出。

比如：预测某个地区的房价；对区块链对冲价值的预测；预测信用卡违约的概率等等。

它没有目标。需要从输入中探索规律，得出结论。

比如：图片聚类分析，文章主题分类，搜索关键词给出网页，基因序列分析等等。

可以这样理解：不管监督学习还是无监督学习，都是有输出的。但监督学习输出的结果的可以通过测试集进行验证，它是客观的；而无监督学习，无法通过测试集进行验证，它得出的是一个主观的结果。

比如怎样把图片进行分类，以往的搜索是一个结果，换一种算法，可能得出另一种结果，这种结果不一定就不对。它的好坏需要使用者来具体体验才行。

这个案例是一个典型的监督学习的案例。

数据非常干净，共13个变量。而在实际中，收集数据是耗费时间最长的一个过程。在第8次课提到的分析过程中，前面三步可能一直在循环进行。

直到最后才会有干净的数据，而把商业问题转化为数据问题相对容易。而将机器学习的模型与实际数据进行拟合，这其实是最愉悦的过程。

下面是通过学习得到的碎片信息：

任何数据都可以通过可视化来热身。所以学好用好matlablib非常有必要。
可以将数据区分为测试集和训练集，空出一些字段来对模型进行预测。
定量建模：先建立简单的线性模型。而后再拟合更复杂的模型。
在分析的过程中，经常会需要自己重新去找更合适的数据集，这个过程非常普遍。
有些时候，数据需要进行处理。比如第9课讲到的时间戳本身不能使用，需要拆分为“年、月、日、小时”等等，这叫做特征工程，将数据进行特征处理。
后期，要把精力放在模型都有什么样的适用范围，有什么缺点优点上。
大部分变量都有一个线性关系，预测精度往往不高。而业界往往用基于随机森林、德温树等等方法，用来解决非线性问题。
在以前的数据集中，很多都是线性的，因为计算机的处理能力比较弱。但后期，计算机处理能力变强后，可以用一些非线性的方法来解释问题。（可以这样猜想：线性关系就是简单的因果关系；而非线性关系就是由多因素导致的结果，这样的模型更复杂，但也更真实。）

可能会出现一些不想看到的结果，去想一想为什么会有出入，然后改其他的模型。比如“啤酒和尿布的销量高度相关”。
收集数据和用模型处理是相当难的。而如果有了数据，模型也找到了，那实现起来，其实是非常简单的。就像写作一样。如果框架和例子有了，写起来非常快。框架就是模型；例子就是数据。

终于跟完了，下一步是把它们用起来。在实际运用的过程中，是一个更为艰难的过程。

祝你好运。

祝我好运。

知识本身不是力量，“知识+持续的行动”才是！

我是陶肚。如果喜欢，请帮忙点赞或分享出去。