机器学习的基本原理

机器学习

定义：在不对直接针对问题进行明确编程的情况下，赋予计算机学习能力的研究领域

通常为了更好地定义一个学习问题，我们必须要明确是哪个特征，

• 任务的种类
• 衡量任务提高的标准
• 经验的来源

分类

监督学习

使用的是标注过的带有标签的数据进行训练，通常用于回归、分类等任务

无监督学习

使用的是无标签的数据进行训练，通常用于聚类、异常检测等

强化学习

算法对预测结果进行自我评估，从而不断改进

一般流程

训练阶段： 使用带有标签的训练集，在提取特征后，经过机器学习算法对数据进行学习从而习得模型
测试阶段： 对标签的未知的测试数据，通过同一种特征提取手段提取特征之后，把它们送入训练好的模型，预测数据的标签

1. 制作数据集
2. 选择或者设计特征提取算法
3. 选择机器学习算法
4. 测试

数据集

1. 训练集
2. 测试集
3. 验证集

评估分类器性能的方法

1. ROC曲线
2. 混淆矩阵

openCV中的机器学习算法

Mahalanobis 马氏距离，表示数据的协方差
K-means 无监督的一个聚类算法
NormalBayesClassfier 朴素贝叶斯分类器
DTrees 决策树
RTrees 随机森林
SVM 支持向量机
DNN 深度学习模块
ANN 人工神经网络多层感知机算法