机器学习

无监督 不打标签 聚类

监督 打标签 分类 回归

决策树，通过不同的条件，来判断一个问题如果处理

条件的选取有不同的算法，一种是观察信息熵的变化，来决定

概率*log概率

离散->分类

连续->回归

机器学习：通过“学习”的过程不断提高性能

sklearn(scikit-learn)主要用于数据挖掘与机器学习

机器学习：由数据经过一个过程获得结果，本质是一个函数

机器学习监督学习与无监督学习。机器学习的本质是一个函数。机器学习使用训练好的算法或者函数对历史数据进行处理，得出我们想要的结果。根据结果的不同，我们把机器学习分成以下几类
如果不在打标记的情况下得出的结果我们称之为无监督学习，如聚类和关联规则
如果提前进行打标记处理，那么就是监督学习。根据打标记的数据是离散的还是连续的，我们又进一步分为分类（结果是有限、离散的）和回归（结果是连续的）。数据挖掘和机器学习的一般步骤是数据预处理数据建模结果验证，这个工具包具体要结合自己的论文和实习进行整理。

理论基础：

scikit-learn 决策树：监督学习 树形结构