本文主要是介绍数据挖掘系列笔记(2):机器学习的应用实例,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!
机器学习的应用领域非常广泛,而且随着VLSI技术的发展和大规模并行计算的推广,机器学习机器相关的大数据领域,再次成为研究的热点。
1. 学习关联性
从样本的空间中学习各种事件之间的关联性。以超市购物为例,X代表客户购买尿布的事件,Y代表客户购买奶粉的事件,则P(Y|X)代表客户在购买了尿布时,又购买了奶粉的概率。机器学习的一个任务就是,从一个大的样本空间之内,学习事件之间的关联性,以指导商业或其他领域的决策。
2. 监督学习
针对未知的系统,从已有的输入和输出关系中推算出系统的模型,用以预测新的输入下系统最可能的输出。监督学习有两种:分类和回归。两者的主要区别在于,分类是针对离散的系统,而回归是针对连续的系统。
2.1 分类
分类的一个例子是在银行系统中的应用,需要区分高风险客户和低风险客户。从银行的历史数据的,建立客户的个人信息(职业、年龄、收入等)和借贷风险的之间的关系,也即把依据个人信息,把客户划分为不同风险等级的类别。这样,当面对新客户的时候,就根据机器学习所建立的模型,预测出他的风险等级。因为个人信息和风险等级都可以视为离散值,所以属于监督学习中的分类,通常使用决策树的方法。
2.2 回归
回归与分类相似,只是面向连续的系统,所以通常用函数来拟合。例如,需要通过学习获得二手车的报价系统,则需要建立一个从二手汽车的特征到出售价格的函数。
3 非监督学习
非监督学习往往不是用来推算系统的模型,而是从样本中发现特征。例如从历史交易信息中发现频繁交易的客户,并总结其特征。从一组图片中找出频繁出现的局部特征,从蛋白质结构中发现反复出现的氨基酸序列。
4. 增强学习
此类学习中,其需要的结果是获得一种策略,也就是达到某个目标的动作序列。常见的就是博弈,例如国际象棋或者围棋。一旦有了能够学习如何玩好游戏的算法,就可以将这些算法用在具有更显著经济效益的领域。
这篇关于数据挖掘系列笔记(2):机器学习的应用实例的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!