机器学习实战读书笔记(1)

机器学习的主要任务：

分类：将实例数据划分到合适的分类中

回归：主要用于预测数值型数据

分类和回归属于监督学习，监督学习必须知道预测什么，即目标变量的分类信息

无监督学习：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称为聚类；

将寻找描述数据统计值的过程称之为密度估计。

                                         监督学习的用途

k-近邻算法                                                                           线性回归

朴素贝叶斯算法                                                          局部加权线性回归

支持向量机                                                                         Ridge回归

决策树                                                            Lassso最小回归系数估计

无监督学习的用途

k-均值                                                                            最大期望算法

DBSCAN                                                                        Parzen窗设计

1. 输入任意数组：

from numpy import *
print(random.rand(4,4))

输出：

[[0.83142886 0.37192316 0.25799572 0.01936341]
 [0.70383839 0.10545903 0.31602348 0.26564487]
 [0.62372209 0.8856153  0.04425143 0.09811542]
 [0.03086031 0.70999438 0.50756522 0.89523833]]

2. 矩阵

from numpy import *
rd=random.rand(4,4)
#打印随机数组
print(rd)
rm=mat(rd)
#打印数组转化后的矩阵
print(rm)
#打印矩阵的逆运算
print(rm.I)

输出

[[0.32618362 0.88181772 0.73023717 0.71091901]
 [0.75438306 0.55220343 0.21725572 0.83780348]
 [0.48311814 0.99230996 0.75381116 0.23627349]
 [0.22763927 0.70057059 0.81020161 0.88443622]]
[[0.32618362 0.88181772 0.73023717 0.71091901]
 [0.75438306 0.55220343 0.21725572 0.83780348]
 [0.48311814 0.99230996 0.75381116 0.23627349]
 [0.22763927 0.70057059 0.81020161 0.88443622]]
[[-5.21507507  1.46536287  2.26699771  2.19821216]
 [ 7.10337898 -0.59340981 -1.65174532 -4.70639109]
 [-6.54479433 -0.26247007  2.55419703  4.8270615 ]
 [ 1.71107913  0.33332533 -1.61493618 -0.12904628]]