机器学习之初步了解
声明：本博客是学习 Easy_ray 作者的博客做的笔记 https://blog.csdn.net/c369624808/article/details/78383814
粗略概念
学术术语就不多说了，可以去百度看看详细的解说。简明一点就是：你想用你现成的一堆数据，为了达到一个你想要的目的，然后编写出一个达到你目的的方法。
Tom Mitchell 写的 《Machine Learning》 中给出了一个比较学术的描述：“对于某类任务T和性能度量P,如果一个计算机程序在T以上以P衡量的性能随着经验E而自我完善，那么我们称这个计算机程序正在从经验E学习”
任务T --> 代码的目的（通过代码来实现根据房子大小面积等特征来预测房价的模型）
性能度量T --> 评价所构建模型的精准度（预测房价的误差误差越小越好）
经验E --> 数据 （某城区100套房子的面积和价格的真实数据）
实例 :
拥有100组数据实例，构建模型，利用100组数据去训练这个模型，将100组数据发送给模型，模型根据这一段数据不断修正模型参数来自我完善，最终结果我们可以任意将一个房子的面积或者其他特征性信息输入到模型里，改模型就会预测出房子的价格。
实例图解
| 房子尺寸/平方米 | 房子价格/万 |
|---|---|
| 100 | 120 |
| 80 | 92 |
| 120 | 143 |
| 75 | 87 |
| 60 | 60 |
| 43 | 50 |
数据的可视化折线图
构建模型
将以上数据传到数据模型中，训练模型，说白了就是用数据来测试功能，最后哪个差值最小哪个功能算法就相对比较好。模型最终输出一条拟合线。
总结
利用这条拟合线来预测房价，当输入房子尺寸对应输出价格。
这里只是大概介绍了下简要流程，并没有涉及技术和算法的介绍。我也是一边看别人的博客一边学习，随手做个我自己理解的笔记。