【数据分析】学习笔记day1

目标：
1、掌握sklearn的基本用法
2、掌握线性回归的原理，并进行实践操作
3、理解监督学习经典算法、如K-近邻算法
4、理解非监督学习经典算法

机器学习的利器——sklearn

机器学习的7个流程：

1、数据处理
2、分割数据
3、训练模型
4、验证模型
5、测试模型
6、使用模型
7、调优模型

 数据处理：从磁盘中读取数据，并对数据进行预处理（如归一化、标准化、正则化、属性缩放、特征编码、插补缺失值、生成多项式特征等。

分割数据：将数据随机分割成三组：训练集、验证集（有时为可选项）、测试集

训练模型：针对选取好的特征，使用训练数据来构建模型，即拟合数据，寻找最优的模型参数。
（这里的拟合数据，主要是指使用各种机器学习算法来学习数据中的特征，拟合出损失函数最小化参数）

验证模型：使用验证集的数据接入模型。我们将模型在验证集上的表现作为模型参数优化和选择的依据。
（常用的方法有：Holdout验证、留一验证等）

测试模型：在优化模型的参数以后，使用测试数据验证模型的表现，可以评估模型泛化性能。

拓展：
在有些场景下，测试模型和验证模型是有区别的。
如果我们不设置验证集，而不断地使用相同的测试集来评估模型性能，久而久之，作为“裁判”的测试集，其角色慢慢就会“蜕变”成训练集，从而让模型陷入过拟合状态。
为了解决这个问题，有时就把数据集一分为三：
	一部分用于训练，即作为训练集；
	一部分用于模型优化，即作为验证集；
	一部分用于评估模型的泛化误差，即作为测试集，通常不参与模型的优化。

使用模型：模型训练完毕后，在全新数据集上进行预测。（所有机器学习算法的终极价值，都体现在对新数据的预测上）

调优模型：当我们不断使用更多的数据（包括预测的新数据）时，就会得到反馈，然后根据反馈重新调整数据使用策略（包括收集更为全面的数据、使用不同的特征、调整过往模型参数等，以此来迭代优化模型）

实际上以上1~7可以算作一个无限循环、迭代升级的过程。

sklearn的功能主要分为六大部分：

1、分类
2、回归
3、聚类
4、数据降维
5、模型选择
6、数据预处理

分类：如果定性输出预测（预测变量是离散值），可称之为分类。比如预测花的品类、顾客是否购买商品等。
（sklearn中已实现的经典分类算法包括：支持向量机（SVM）、最近邻算法、Logistic回归、随机森林、决策树、多层感知机（MLP）等）

回归：如果定量输出预测（预测变量是连续值），则称之为回归。比如预测花的长势、房价的涨势等。
（目前sklearn中已经实现的回归算法包括：线性回归、支持向量回归（SVR）、岭回归、Lasso回归、贝叶斯回归等）
（常见的应用场景：股价预测等。）

聚类：聚类的功能是将相似的对象自动分组。
（sklearn中常用的聚类算法包括：k均值聚类、谱聚类（spectral clustering）、均值漂移（Mean Shift）等）
（常用的应用场景：客户细分、实验结果分组、数据压缩等）

数据降维：数据降维的目的在于减少要考虑的随机变量的数量。
（sklearn中常见的数据降维算法有：主成分分析（PCA）、特征选择、非负矩阵分解等）
（常见的应用场景：数据压缩、模型优化等）

模型选择：模型选择是指评估与验证模型，对模型参数进行选择与平衡。
（sklearn中常见的功能模块：模型度量（metrics）、网格搜索（grid search）、交叉验证（cross validation）等）
（其目的在于：通过调整模型参数来提高模型性能（预测准确度、泛化误差等））

数据预处理：数据预处理的功能在于，把输入数据（如文本、图形图像等）转换为机器学习算法适用的数据，主要包括数据特征的提取和归一化。
（sklearn中常用模块有：数据预处理（preprocessing）、特征抽取（feature extraction）等）

sklearn中常见的数据集