《机器学习实战》——读书笔记1

前言
在大学里，最好的方面不是你研修的课程或从事的研究，而是一些外围活动：与人会面、参加研讨会、加入组织、旁听课程，以及学习未知的知识。
一个机构会雇佣一些理论家（思考者）以及一些做实际工作的人（执行者）。前者可能会将大部分时间花在学术工作上，他们的日常工作就是基于论文产生思路，然后通过高级工具或教学进行建模。后者则通过编写代码与真实世界交互，处理非理想世界中的瑕疵，比如崩溃的及其或带噪声的数据。并不能完全区分两类人。

第一部分 分类

前两部分主要探讨监督学习。监督学习一般使用两种类型的目标变量：标称型（有限目标集）和数值型（无限的数值集合）。

第 1 章 机器学习基础

机器学习能让我们自数据集中受到启发，换句话说，我们会利用计算机来彰显数据背后的真实含义。

1.1 何谓机器学习

机器学习就是把无数的数据转换成有用的信息。
机器学习横跨计算机科学、工程技术和统计学等多个学科，对于任何需要解释并操作数据的领域都有所裨益。
机器学习用到了统计学知识，因为现实世界中很多例子我们无法位置简历精确的数学模型，所以需要统计学工具。

1.1.1 传感器和海量数据

互联网有大量的非人为数据，举了地震预测的例子，讲述了移动计算和传感器产生海量数据。

1.1.2 机器学习非常重要

大量的经济活动都依赖于信息，我们不能再海量的数据中迷失，机器学习将有助于我们穿越数据雾霭，从中抽取出有用的信息。

1.2 关键术语

特征、分类、训练集、目标变量、测试数据、知识表示

1.3 机器学习的主要任务

监督学习：分类和回归。无监督学习：聚类和密度估计。

1.4 如何选择合适的算法

必须考虑两个问题：一、使用机器学习算法的目的，想要算法完成何种任务。二、需要分析或收集的数据是什么。

1.5 开发机器学习应用程序的步骤

1、收集数据
2、准备输入数据
3、分析输入数据
4、训练算法
5、测试算法
6、使用算法

1.6 Python语言的优势

三个原因：（1）Python的语法清晰；（2）易于操作纯文本文件；（3）使用广泛，存在大量的开发文档。

1.6.1 可执行伪代码

Python具有清晰的语法结构，并且语言处理和操作文本文件非常简单。

1.6.2 Python比较流行

1.6.3 Python语言的特色

和MATLAB相比是免费的，其插件是开源的。
和Java、C相比，不需要编写大量冗余的代码。

1.6.4 Python语言的缺点

运行效率不高。

1.7 NumPy函数库基础

几个命令random.rand(4,4)产生4*4的随机数组。
randMat=mat(random.rand(4*4))产生矩阵

矩阵与数组的区别~

randMat.I 矩阵的逆 eye(n)n阶单位阵

1.8 本章小结

机器学习广泛应用于日常生活中，每天处理的数据不断增加，能够深入理解数据背后的真实含义，是数据驱动产业必须具备的基本技能。

第 2 章 k-近邻算法

知乎大神的相关笔记！
首先，我们将探讨k-近邻算法的基本理论，以及如何使用距离测量的方法分类物品；其次我们将使用Python从文本文件中导入并解析数据；再次，本书讨论了当存在许多数据来源时，如何避免计算距离时可能碰到的一些常见错误；最后，利用实际的例子讲解如何是所有k-近邻算法改进约会网站和手写数字识别系统。

2.1 k-近邻算法概述

简单地说，k-近邻算法采用测量不同特征值之间的距离方法进行分类。
k-近邻算法
优点：精度高、对异常值不敏感，无数据输入假定
缺点：计算复杂度高、空间复杂度高
使用数据范围：数值型和标称型

k-近邻算法的工作原理：在训练样本集中，每个数据都存在标签，即我们知道样本集中每一数据与所属分类的对应关系。输入没有标签的新数据后，将新数据的每个特征与样本集中数据对应的特征进行比较，然后算法提取样本集中特征最相似数据（最近邻）的分类标签。一般来说，我们只选择样本数据即中前k（通常k<20）个最相似的数据。最后选择k个最相似数据中出现次数最多的分类，作为新数据的分类。

k-近邻算法的一般流程
1、收集数据：可以使用任何方法
2、准备数据：距离计算所需要的数值，最好是结构化的数据格式
3、分修数据：可以使用任何方法
4、训练算法：此步骤不适用于k-近邻算法
5、测试算法：计算错误率
6、使用算法：首先需要输入样本数据和结构化的输出结果，然后运行k-近邻算法判定输入数据分别术语哪个分类，最后应用对计算出的分类执行后续的处理。

2.1.1 准备：使用Python导入数据

2.1.2 实施kNN算法

2.1.3 如何测试分类器

使用已知答案的数据。

2.2 示例：使用k-近邻算法改进约会网站的配对效果

示例：在约会网站上使用k-近邻算法
(1) 收集数据：提供文本文件。
(2) 准备数据：使用Python解析文本文件。
(3) 分析数据：使用Matplotlib画二维扩散图。
(4) 训练算法：此步骤不适用于k-近邻算法。
(5) 测试算法：使用海伦提供的部分数据作为测试样本。
测试样本和非测试样本的区别在于：测试样本是已经完成分类的数据，如果预测分类与实际类别不同，则标记为一个错误。
(6) 使用算法：产生简单的命令行程序，然后海伦可以输入一些特征数据以判断对方是否为自己喜欢的类型。

2.2.1 准备数据：从文本文件中解析数据

在将特征数据输入到分类器之前，必须将待处理数据的格式改变为分类器可以接受的格式。

Numpy数组和Python数组
由于NumPy库提供的数组操作并不支持Python自带的数组类型，因此在编写代码时要注意不要使用错误的数组类型。

2.2.2 分析数据：使用Matplotlib创建散点图

具体可见Matplotlib简明教程

import matplotlibimport matplotlib.pyplot as pltfig=plt.figure()ax=fig.add_subplot(111)ax.scatter(datingDataMat[:,1],datingDataMat[:,2]#或者 ax.scatter(datingDataMat[:,1],datingDataMat[:,2],15.0*array(datingLabels),15.0*array(datingLabels))plt.show()

2.2.3 准备数据：归一化数值

def autoNorm(dataSet):    minVals=dataSet.min(0)#对于dataSet这个矩阵返回每一列的最小值    maxVals=dataSet.max(0)    ranges=maxVals-minVals    normDataSet=zeros(shape(dataSet))    m=dataSet.shape[0]    normDataSet=dataSet-tile(minVals,(m,1))    normDataSet=normDataSet/tile(ranges,(m,1))    return normDataSet,ranges,minVals

2.2.4 测试算法：作为完整程序验证分类器

随机选择一些数据测试分类器。

def datingClassTest():    hoRatio=0.10    datingDataMat,datingLabels=file2matrix('datingTestSet2.txt')    normMat,ranges,minVals=autoNorm(datingDataMat)    m=normMat.shape[0]    numTestVecs=int(m*hoRatio)    errorCount=0.0    for i in range(numTestVecs):        classifierResult=classify0(normMat[i,:],normMat[numTestVecs:m,:],datingLabels[numTestVecs:m],3)        print "the classifier came back with %d, the real answer is: %d" %(classifierResult,datingLabels[i])        if (classifierResult!=datingLabels[i]): errorCount+=1.0    print "the total error rate is: %f"%(errorCount/float(numTestVecs))

2.2.5 使用算法：构建完整可用系统

def classifyPerson():    resultList=['not at all','in small doses','in large doses']    percentTats=float(raw_input("percentage of time spent playing video games?"))    ffMiles=float(raw_input(("frequent flier miles earned per year?")))    iceCream=float(raw_input("liters of ice cream consumed per year?"))    datingDataMat,datingLabels=file2matrix('datingTestSet2.txt')    normMat, ranges, minVals = autoNorm(datingDataMat)    inArr=array([ffMiles,percentTats,iceCream])    classifierResult=classify0((inArr-minVals)/ranges,normMat,datingLabels,3)    print "You will probably like this person: ",resultList[classifierResult-1]

2.3 示例：手写识别系统

识别数字0-9

2.3.1 准备数据：将图像转换为测试向量

编写img2vector，创建1*1024的NumPyt数组，然后打开指定文件，将文件存储到NumPy数组中，返回数组。

def img2vector(filename):    returnVect=zeros((1,1024))    fr=open(filename)    for i in range(32):        lineStr=fr.readline()        for j in range(32):            returnVect[0,32*i+j]=int(lineStr[j])    return returnVect

2.3.2 测试算法：使用k-近邻算法识别手写数字

from os import listdir 从os模块中导入函数listdir，列出给定目录的文件名。

def handwritingClassTest():    hwLabels=[]    trainingFileList=listdir('trainingDigits')    m=len(trainingFileList)    trainingMat=zeros((m,1024))    for i in range(m):        fileNameStr=trainingFileList[i]        fileStr=fileNameStr.split('.')[0]        classNumStr=int(fileStr.split('_')[0])        hwLabels.append(classNumStr)        trainingMat[i,:]=img2vector('trainingDigits/%s'%fileNameStr)    testFileList=listdir('testDigits')    errorCount=0.0    mTest=len(testFileList)    for i in range(mTest):        fileNameStr=testFileList[i]        fileStr=fileNameStr.split('.')[0]        classNumStr=int(fileStr.split('_')[0])        vectorUnderTest=img2vector('testDigits/%s'%fileNameStr)        classifierResult=classify0(vectorUnderTest,trainingMat,hwLabels,3)        print "the classifier came back with: %d, the real answer is: %d"% (classifierResult,classNumStr)        if (classifierResult!=classNumStr):errorCount+=1.0    print "\n the total number of errors is: %d"% errorCount    print "\n the total error rate is: %f"%(errorCount/float(mTest))

2.4 本章小结

k-近邻算法是分类数据最简单最有效的算法。k-近邻算法是基于实力的学习，使用算法时我们必须有接近实际数据的训练样本数据。k-近邻算法必须保存全部数据集，如果训练数据集很大，必须使用大量的存储空间。此外，由于必须对数据集中每个数据计算距离值，实际使用可能非常耗时。
k-近邻算法的另一个缺陷是它无法给出任何数据的基础结构信息，因此我们无法知晓平均实例样本和典型实例样本具有什么特征。概率测量方法可以解决该问题。

第 3 章 决策树

k-近邻算法可以完成很多分类任务，但最大的缺点在于无法给出数据的内在含义，决策树的主要优势就在于数据形式非常容易理解。

3.1 决策树的构造

决策树
优点：计算复杂度不高，输出结果易于理解，对中间值的缺失不�%2

0 0

• 《机器学习实战》——读书笔记1
• 《机器学习实战》——读书笔记1
• 《机器学习实战》读书笔记
• 《机器学习实战》读书笔记
• 《机器学习实战》读书笔记
• 《机器学习实战》读书笔记
• 机器学习实战第三章——决策树，读书笔记
• 机器学习实战——K-近邻算法（读书笔记）
• 机器学习实战——决策树（读书笔记）
• Python《机器学习实战》读书笔记（三）——决策树
• 【读书笔记】机器学习实战-kNN(1)
• 【读书笔记】机器学习实战-决策树(1)
• 《机器学习实战》完整读书笔记
• 机器学习实战读书笔记-决策树
• 《机器学习》——读书笔记1
• 机器学习实战第二章——学习KNN算法，读书笔记
• 《机器学习实战》读书笔记 第三章 决策树（part 1）
• 机器学习实战—第1章
• POJ-1505&&UVA-714 抄书（贪心+二分）
• spring配置datasource三种方式
• 洛谷p2419[USACO08JAN]牛大赛Cow Contest
• 学习python[2] Python:文件操作技巧(File operation)
• android 表单库SortableTableView使用讲解
• 《机器学习实战》——读书笔记1
• 插入空行的思路
• java集合系列——List集合之Vector介绍（四）
• Java对象的祖宗Object类
• Atitit 性能指标与性能提升的5个原则与性能提升模型
• 实践编程自我检错_蓝桥杯_ 基础练习 十六进制转八进制
• 简单常用时间格式化工具类
• SSH+Dubbo+zookeeper集成
• Mybatis 简单查询