机器学习应用几个点：

a, 预测
        训练模型，模型给的结果负无穷到正无穷

        算法：

        多元线性回归
        神经网络
b, 分类
        训练模型，模型给的结果是其中某一个类别号

        算法：

        贝叶斯分类，使用场景，文本分类
        朴素贝叶斯，Naive Bayes，其中以相互独立为假设去计算

        拉普拉斯估计，是把取0变成1，当然为了公平，每个特征都加一

        词袋模型，一篇文章打乱等价于一堆词

c, 聚类

d, 推荐

        算法：

        基于物品的协同过滤

e, 关联规则
        支持度 置信度

        算法：
        Apriori
f, 降维


1，机器学习是什么?
数据-->训练，带入算法计算-->模型


2，如何可以使得模型更好？

        a,增加数据

        b,调整算法


3，算法是公式！

4，数据是公式里面的X和Y

5，模型是什么？
        参数！计算机计算模型的过程，说白了就是求解方程组的过程！

        求解模型，就是要找到最优解，误差最小的时候就是最优解！


6，什么是最好的模型？

        尽可能的让误差最小！

        误差定义称为损失函数！


7，多元线性回归
-- 预测

        y = w1*x1 + w2*x2 + wn*xn + w0

        正无穷到负无穷

        线性，Xi,Y变化符合一条直线
回归，回归到平均值


案例：保险的案例
a, age进行了平方？

        是让数据更加适应算法，更加符合线性变化

b, bmi30*smoker？

        是在你更了解业务数据的情况下


8，神经网络 -- 预测

        输入层
        输出层
        隐藏层，可以有多个隐藏层，隐含的推理出来的开始特征的可能性

已有的数据-->算法训练-->生成模型


案例：水泥的强度

a, 增加了隐藏层的隐藏节点的个数
b, 为了避免过拟合，测试集来测模型的效果，多数的数据用于训练，少数的数据用于测试