机器学习模型对于从数据科学到营销、金融、零售等各个领域都至关重要。如今，几乎没有哪个行业没有受到机器学习革命的影响，机器学习革命不仅改变了企业的运营方式，还改变了整个行业。

但什么是机器学习模型？它们是如何建造的？

在本文中，您将了解如何创建机器学习模型，并找到作为其基础的流行算法列表。您还可以找到建议的课程和文章来指导您掌握机器学习。 

什么是机器学习模型？

机器学习模型 是用于识别数据模式或进行预测的计算机程序。

机器学习模型是根据机器学习算法创建的，这些算法使用标记数据、未标记数据或混合数据进行训练。不同的机器学习算法适合不同的目标，例如分类或预测建模，因此数据科学家使用不同的算法作为不同模型的基础。当数据被引入特定算法时，它会被修改以更好地管理特定任务并成为机器学习模型。

例如，决策树是用于分类和预测建模的常见算法。希望创建识别不同动物物种的机器学习模型的数据科学家可能会使用各种动物图像训练决策树算法。随着时间的推移，算法会根据数据进行修改，并且在动物图像分类方面变得越来越好。反过来，这最终将成为一种机器学习模型。 

如何构建机器学习模型

机器学习模型是通过使用标记或未标记数据或两者混合的训练算法创建的。因此，训练和生成机器学习算法的主要方法有以下三种： 

  • 监督学习： 当使用“标记数据”或用标签标记的数据来训练算法以便算法可以成功地从中学习时，就会发生监督学习。使用标记数据训练算法有助于最终的机器学习模型知道如何按照研究人员期望的方式对数据进行分类。

  • 无监督学习： 无监督学习使用未标记的数据来训练算法。在此过程中，算法会发现数据本身的模式并创建自己的数据集群。无监督学习对于那些希望在当前未知的数据中寻找模式的研究人员很有帮助。

  • 半监督学习： 半监督学习使用标记和未标记数据的混合来训练算法。在此过程中，算法首先使用少量标记数据进行训练，然后使用大量未标记数据进行训练。 

机器学习中的参数是什么？

在研究人员训练机器学习算法之前，他们必须首先设置 超参数 对于算法来说，它们充当指导算法如何学习的外部指南。例如，决策树上的分支数量、学习率以及聚类算法中的聚类数量都是超参数的示例。 

由于算法是由超参数训练和指导的， 参数 开始响应训练数据而形成。这些参数包括算法在训练时形成的权重和偏差。机器学习模型的最终参数称为 模型参数， 它非常适合数据集，不会超过或低于。 

虽然机器学习模型的参数可以被识别，但用于创建它的超参数却不能。

机器学习模型的类型

主导机器学习的问题有两类：分类和预测。 

这些问题是使用从为分类或回归（用于预测建模的方法）设计的算法派生的模型来解决的。有时，相同的算法可用于创建分类或回归模型，具体取决于其训练方式。 

下面您将找到用于创建分类和回归模型的常用算法的列表。 

分类模型

  • 逻辑回归 

  • 朴素贝叶斯 

  • 决策树 

  • 随机森林 

  • K-最近邻（KNN）

  • 支持向量机

回归模型 

  • 线性回归

  • 岭回归 

  • 决策树

  • 随机森林 

  • K-最近邻（KNN）

  • 神经网络回归

了解有关机器学习的更多信息 

无论您是想成为一名数据科学家还是只是想加深对神经网络的理解，参加在线课程都可以帮助您推进职业生涯。

在斯坦福大学和 DeepLearning.AI 的机器学习专业课程中，您将通过 AI 远见卓识的吴恩达 (Andrew Ng) 提供的适合初学者的三课程课程，掌握基本的 AI 概念并培养实用的机器学习技能。

与此同时，DeepLearning.AI 的深度学习专业化课程将教您如何构建和训练神经网络架构，并为开发尖端人工智能技术做出贡献。