开发人员的机器学习简介

原文：www.kdnuggets.com/2016/11/intro-machine-learning-developers.html/2

朴素贝叶斯分类是一种基于以前标记的数据使用概率模型进行预测的算法。特征之间相互独立，即一个特征不会影响另一个特征的值，并且一组标签会提前考虑并分配。

在分类器中使用的一些标签示例包括情感分数（可以是字符串、整数或浮点数的缩放分数），或者在目标检测中，你可以使用诸如椅子、桌子或书桌这样的标签来描述图像中的物体。特征检测是在提前决定的，比如垃圾邮件检测中的关键词出现或邮件长度。

这个示例展示了从 NLTK 书籍中修改的代码，章节学习文本分类，并展示了如何用名字的最后一个字母作为特征在已知数据上训练模型的步骤。

使用具有大数据集的分类模型所需的基本步骤：

训练集：根据已知数据拟合模型
验证集：用于参数调整——选择模型复杂度
- 超参数：可以通过设置不同的值并选择测试效果更好的值或通过统计方法来完成
  - K-means 中的聚类数量：在我们的 K-means 示例中，我们使用了肘部法则。
  - 决策树中的叶子节点数量
测试集：在模型运行在训练集上后评估模型——运行混淆矩阵以查找错误并比较模型

交叉验证方法有助于理解模型如何对未见数据进行泛化，且用于较小的数据集。例如，K 折交叉验证遵循以下步骤：

R 非常适合统计/数据分析和机器学习，但由于性能和安全问题，不适合用于生产系统或实用功能。

回归诊断：异常值测试（p 值）、影响观察、评估非线性、相关性、描述性统计。

所有的统计内容：ANOVA、重采样技术、聚类、用于无监督机器学习的 PCA、决策树等。

Pandas 是一个使用数据框的 Python 库，类似于 R。虽然在生产中使用时较慢（Numpy 数组更快），但 Pandas 在 Python 环境中进行数据分析和机器学习时非常受欢迎。

使用 Pandas 的好处在于它可以将你的代码减少至少三分之二，并且你可以使用非常酷的 SQL 风格的功能，如连接、合并、透视和聚合函数。

还提供了许多 I/O 方法，使得数据的输入和导出变得简单，如：DataFrame.to_excel、.to_json、.to_csv 等。

Scikit-learn 是另一个受欢迎的 Python 库，是寻找机器学习模型的绝佳选择，提供了经过众多 Python 开发者验证的教程和文档。它涵盖了从图像分类算法到自然语言处理算法的各种内容。

以下是上面幻灯片中列出的工具、教程和视频的可点击链接：

查看博客的其他部分，获取有关natural language processing和机器学习算法的更多资源，例如LDA 文本分类或提高Nudity Detection算法准确度，以及使用Scikit-learn 解决 FizzBuzz的入门教程。

简介：Stephanie Kim 是 Algorithmia 的开发者推广专员。

原始文章。经许可转载。

相关：

我们的前三大课程推荐

1. Google 网络安全证书 - 快速进入网络安全职业轨道。

2. Google 数据分析专业证书 - 提升您的数据分析技能