什么是机器学习？看完就明白了 _数据

说到人工智能必然要了解机器学习，从信息化软件，到电子商务，然后到高速发展互联网时代，到至今的云计算、大数据等，渗透到我们的生活、工作之中，在互联网的驱动下，人们更清晰的认识和使用数据，不仅仅是数据统计、分析，我们还强调数据挖掘、预测。

文章插图
一、什么是机器学习 1. 机器学习概念
机器学习就是对计算机一部分数据进行学习，然后对另外一些数据进行预测与判断。
机器学习的核心是“使用算法解析数据，从中学习，然后对新数据做出决定或预测” 。也就是说计算机利用以获取的数据得出某一模型，然后利用此模型进行预测的一种方法，这个过程跟人的学习过程有些类似，比如人获取一定的经验，可以对新问题进行预测。
我们举个例子，我们都知道支付宝春节的“集五福”活动，我们用手机扫“福”字照片识别福字，这个就是用了机器学习的方法。我们可以为计算机提供“福”字的照片数据，通过算法模型机型训练，系统不断更新学习，然后输入一张新的福字照片，机器自动识别这张照片上是否有福字。
机器学习是一门多领域交叉学科，涉及概率论、统计学、计算机科学等多门学科。机器学习的概念就是通过输入海量训练数据对模型进行训练，使模型掌握数据所蕴含的潜在规律，进而对新输入的数据进行准确的分类或预测。如下图所示：

文章插图
2. 机器学习分类
我们了解了机器学习的概念，通过建立模型进行自我学习，那么学习方法有哪些呢？
（1）监督学习
监督学习就是训练机器学习的模型的训练样本数据有对应的目标值，监督学习就是通过对数据样本因子和已知的结果建立联系，提取特征值和映射关系，通过已知的结果，已知数据样本不断的学习和训练，对新的数据进行结果的预测。
监督学习通常用在分类和回归。比如手机识别垃圾短信，电子邮箱识别垃圾邮件，都是通过对一些历史短信、历史邮件做垃圾分类的标记，对这些带有标记的数据进行模型训练，然后获取到新的短信或是新的邮件时，进行模型匹配，来识别此邮件是或是不是，这就是监督学习下分类的预测。
再举一个回归的例子，比如我们要预测公司净利润的数据，我们可以通过历史上公司利润（目标值），以及跟利润相关的指标，比如营业收入、资产负债情况、管理费用等数据，通过回归的方式我们回到的一个回归方程，建立公司利润与相关因此的方程式，通过输入因子数据，来预测公司利润。
监督学习难点是获取具有目标值的样本数据成本较高，成本高的原因在于这些训练集的要依赖人工标注工作。
（2）无监督学习
无监督学习跟监督学习的区别就是选取的样本数据无需有目标值，我们无需分析这些数据对某些结果的影响，只是分析这些数据内在的规律。
无监督学习常用在聚类分析上面。比如客户分群、因子降维等。比如RFM模型的使用，通过客户的销售行为（消费次数、最近消费时间、消费金额）指标，来对客户数据进行聚类：
除此之外，无监督学习也适用于降维，无监督学习比监督学习好处是数据不需要人工打标记，数据获取成本低。
（3）半监督学习
半监督学习是监督学习和无监督学习相互结合的一种学习方法，通过半监督学习的方法可以实现分类、回归、聚类的结合使用。
半监督学习是最近比较流行的方法。