一、机器学习的概念

机器学习是一门让计算机从数据中学习规律，然后利用这些规律做出预测或决策的科学。是通过“训练”来自动获得这种能力。

二、核心概念

样本：数据集中的一条数据

特征：描述样本的属性

标签：需要测试的目标值

模型：从数据中学习到的模式表示

训练集：训练样本组成的集合

数据集：样本的集合，分为训练集和测试集

三、机器学习的分类

1.监督学习：使用带有标签的数据进行训练，建立特征与标签之间的映射关系。

2.无监督学习：使用无标签数据，发现数据内在结构。

四、核心算法

1.监督学习

1. 线性回归：就是找到一条直线来拟合数据点

2. K-近邻算法：一个样本的类别由其k个最近邻居的多数投票来决定

3. 决策树：构建一棵树状模型，将数据划分到不同的“叶子节点”（类别或值）中。

4. 随机森林：就是有多颗决策树，然后每棵树使用不同的训练数据子集和特征子集进行训练，最终通过投票或平均得到结果。

2.无监督学习

1. K-均值聚类：就是将数据划分为k个“簇”，先随机选择k个初始中心点，然后反复迭代将样本分配到最近的簇中，并更新簇中心点，直至簇内样本相似度高、簇间相似度低