Python-机器学习初识
目录
一、定义
1、分类
1.1 监督学习
1.2 半监督学习
1.3 无监督学习
1.4 强化学习
2、流程/步骤
二、scikit-learn
1、安装
三、数据集
3.1 sklearn玩具数据集
3.2 sklearn现实数据集
3.3 本地csv数据
一、定义
机器学习（Machine Learning）本质上就是让计算机自己在数据中学习规律，并根据所得到的规律对未来数据进行预测。机器学习包括如聚类、分类、决策树、贝叶斯、神经网络、深度学习（Deep Learning）等算法
1、分类
机器学习经过几十年的发展，衍生出了很多种分类方法，这里按学习模式的不同，可分为监督学习、半监督学习、无监督学习和强化学习
1.1 监督学习
监督学习（Supervised Learning）是从有标签的训练数据中学习模型，然后对某个给定的新数据利用模型预测它的标签（监督学习主要用于回归和分类）
常见的监督学习的回归算法有线性回归、回归树、K邻近、Adaboost、神经网络等。
常见的监督学习的分类算法有朴素贝叶斯、决策树、SVM、逻辑回归、K邻近、Adaboost、神经网络等。
1.2 半监督学习
半监督学习（Semi-Supervised Learning）是利用少量标注数据和大量无标注数据进行学习的模式
常见的半监督学习算法有Pseudo-Label、Π-Model、Temporal Ensembling、Mean Teacher、VAT、UDA、MixMatch、ReMixMatch、FixMatch等
1.3 无监督学习
无监督学习（Unsupervised Learning）是从未标注数据中寻找隐含结构的过程
无监督学习主要用于关联分析、聚类和降维
常见的无监督学习算法有稀疏自编码（Sparse Auto-Encoder）、主成分分析（Principal Component Analysis, PCA）、K-Means算法（K均值算法）、DBSCAN算法（Density-Based Spatial Clustering of Applications with Noise）、最大期望算法（Expectation-Maximization algorithm, EM）等
1.4 强化学习
强化学习（Reinforcement Learning）类似于监督学习，但未使用样本数据进行训练，是通过不断试错进行学习的模式
在强化学习中，有两个可以进行交互的对象：智能体（Agnet）和环境（Environment），还有四个核心要素：策略（Policy）、回报函数（收益信号，Reward Function）、价值函数（Value Function）和环境模型（Environment Model），其中环境模型是可选的
（通过奖励引导行为，逐渐学会最优策略）
2、流程/步骤
有5个基本步骤用于执行机器学习任务：
1、收集数据：无论是来自excel，access，文本文件等的原始数据，构成了未来学习的基础
2、准备数据： 任何分析过程都会依赖于使用的数据质量如何
3、练模型：此步骤涉及以模型的形式选择适当的算法和数据表示。清理后的数据分为两部分 - 训练和测试，训练集用于开发模型，测试集用于参考依据
4、评估模型：为了测试准确性，使用提前划分的测试集，根据结果确定算法选择的精度
5、提高性能：此步骤可能涉及选择完全不同的模型或引入更多变量来提高效率。这就是为什 么需要花费大量时间进行数据收集和准备的原因
（在后面的代码实现中，可以参考下面的流程）
二、scikit-learn
scikit-learn官网：scikit-learn: machine learning in Python — scikit-learn 1.7.1 documentationscikit-learn: machine learning in Python — scikit-learn 1.7.1 documentationscikit-learn: machine learning in Python — scikit-learn 1.7.1 documentationscikit-learn: machine learning in Python — scikit-learn 1.7.1 documentationscikit-learn: machine learning in Python — scikit-learn 1.7.1 documentation
scikit-learn中文文档：sklearn
scikit-learn中文社区：scikit-learn中文社区
scikit-learn是Python语言机器学习工具，包括许多智能的机器学习算法的实现
1、安装
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple scikit-learn（推荐使用镜像源下载，不然网络不好，直接下载会失败）
三、数据集
return_X_y：决定返回值的情况False（默认值）：函数返回一个对象，能够数据集所有的属性True：函数返回一个元组，第一个元素为特征数据集，第二个元素为目标数据集3.1 sklearn玩具数据集
| 函数 | 返回 |
| load_boston | 加载并返回波士顿房价数据集（回归） |
| load_iris | 加载并返回鸢尾花数据集（分类） |
| load_diabetes | 加载并返回糖尿病数据集（回归） |
| load_digits | 加载并返回数字数据集（分类） |
| load_linnerud | 加载并返回linnerud物理锻炼数据集 |
| load_wine | 加载并返回葡萄酒数据集（分类） |
| load_breast_cancer | 加载并返回威斯康星州乳腺癌数据集（分类） |
数据量小，数据在sklearn库的本地，通过 datasets 使用
示例：（以鸢尾花为例，数据的获取）
（使用其他数据集时，可以查下资料，了解一下那数据集有些什么属性）
3.2 sklearn现实数据集
| 函数 | 说明 |
| fetch_olivetti_faces | 从AT&T（分类）中加载Olivetti人脸数据集 |
| fetch_20newsgroups | 从20个新闻组数据集中加载文件名和数据（分类） |
| fetch_20newsgroups_vectorized | 加载20个新闻组数据集并将其矢量化为令牌计数（分类） |
| fetch_lfw_people | 将标签的面孔加载到Wild（LFW）人数据集中（分类） |
| fetch_lfw_pairs | 在“Wild（LFW）”对数据集中加载标签的面部（分类） |
| fetch_covtype | 加载covtype（植被型数据集）数据集（分类） |
| fetch_rcv1 | 加载RCV1多标签数据集（分类） |
| fetch_kddcup99 | 加载kddcup99（网络入侵检测）数据集（分类） |
| fetch_california_housing | 加载加利福尼亚住房数据集（回归） |
数据量大，数据只能通过网络获取，同样通过 datasets 使用
from sklearn import datasets
datasets.get_data_home() #查看数据集默认存放的位置通过上面这段代码，就能找到数据集默认的下载地址
参数：
data_home：None：默认值，下载到默认地址自定义路径：指定下载路径
subset："train"，只下载训练集"test"，只下载测试集"all"，下载的数据包含了训练集和测试集3.3 本地csv数据
（创建csv文件的方法很多，感兴趣可以自己了解一下）
其实不止csv文件，只要是数据都可以获取使用，这里只展示使用pandas获取csv类型数据
