企业官网建设流程全解析

一.机器学习基本理论

1.一句话说明机器学习

2.简单版本

3.机器学习训练，

本质就是通过损失函数最小化，找到最合适的维度权重β

二.机器学习简介

1.是什么（过程）

2.三大学习类型

初步分为三大学习类型：有监督学习，无监督学习，（半监督学习，）强化学习

3.十大算法和四个门派

3.1 四大门派

3.2 十大算法

4. 机器学习完整流程

5.机器学习的专业术语

数据集（Data Set）：多条记录的集合。
训练集（Training Set）：用于训练模型的数据。
验证集（Validation Set）：用于调节超参数的数据。
测试集（Test Set）：用于评估模型性能的数据。
样本（Sample）：数据集中的一条记录是关于一个事件或对象的描述，称为一个样本。
特征（Feature）：数据集中一列反映事件或对象在某方面的表现或性质的事项，称为特征或属性。
特征向量（Feature Vector）：将样本的所有特征表示为向量的形式，输入到模型中。
标签（Label）：监督学习中每个样本的结果信息，也称作目标值（target）。
模型（Model）：一个机器学习算法与训练后的参数集合，用于进行预测或分类。
参数（Parameter）：模型通过训练学习到的值，例如线性回归中的权重和偏置。
超参数（Hyper Parameter）：由用户设置的参数，不能通过训练自动学习，例如学习率、正则化系数等。

6.阳哥总结

三. 特征工程

1.概念

2.特征选择介绍

2.1 概念

从众多特征选择一个子集的过程。

2.2 目的

通过去掉无效特征以改善模型效果；

缩小特征空间加速模型训练；

提高特征的可解释性。

2.3 为什么进行特征选择

3. 特征选择常用方法——过滤法

3.1 概念

是特征选择的快速筛选器，提前过滤没用的特征，独立于模型，像海选一样

3.2 怎么用

3.3 案例说明

a. 日常做机器学习项目，第一步先拿过滤法把明显没用的冗余特征删掉，再训练模型，既能省时间，又能提升模型效果，这是最基础也最实用的操作技巧

b. 相关系数（皮尔逊相关系数）：适合连续型特征+连续型目标

通俗理解：衡量两个连续数值的“线性亲密程度”，分数范围在-1到1之间

c. 生活案例

现有特征：房屋面积、卧室数量、到地铁站距离、小区绿化率、房东年龄
计算相关系数：
- 房屋面积 ↔ 房价：相关系数0.85（接近1，强正相关，留下）
- 卧室数量 ↔ 房价：相关系数0.72（强正相关，留下）
- 到地铁站距离 ↔ 房价：相关系数-0.68（强负相关，距离越远，房价越低，留下）
- 房东年龄 ↔ 房价：相关系数0.07（接近0，几乎没关系，直接过滤）
结果：删掉房东年龄这个没用特征，留下前三个关键特征。

3.4 优点

4. 特征选择代码演示

4.1 低方差过滤

4.2 皮尔逊相关系数过滤法

四. 特征转换

1.概念和类型

2. 数字型——归一化

2.1 归一化，业务意义

2.2 转换公式

2.3 举例说明

2.4 优缺点与实际应用

3. 数字型——标准化

4. 数字化——对数变换