2.机器学习基础

1.模型评估

• 构建数据模型，机器学习从数据开始

2. 中位数、众数、平均数

3. 数据的差异性

• 值域，值的分布区域
• IQR：统计学‘去尾’，去掉最低，总个数的1/4，最高，总个数的1/4。第一个四分数，Q1，第3个四分数，Q3，中位数就是Q2。IQR=Q3-Q1。IQR的不足，完全不同的数据集具有相同的IQR。
• 异常值：小于Q1-1.5IQR；大于Q3+1.5IQR
• 方差：平均平方偏差，方差越小数据越稳定
• 标准偏差σ，方差开平方。作用：正态分布中，2σ–整体数的68%，4σ对应整体的95%，估计样本的数量。样本偏差s,不同的是分母是n-1贝塞尔校正，用样本估计整个数据时需要校正。

4.机器学习算法

• 监督学习

  包含：贝叶斯算法、决策树、支持向量机、神经网络、k-近邻（基于实例学习）、集成算法B&B

• 非监督学习

  包含：待续

• 强化学习

  包含：待续

• 深度学习

  包含：待续