监督式学习

分类

随机森林 KNN 朴素贝叶斯 决策树 SVM GDBT Adaboost ...

回归

线性回归 逻辑回归

非监督式学习

聚类

Kmeans DBSCAN 层次聚类 关联规则 序列规则 ...

半监督学习

标签传播

机器学习一般流程： 问题建模， 特征工程， 模型选择， 模型融合， 模型应用

1. 问题建模

解决机器学习问题都是从建模开始。首先需要收集问题的资料，深入理解问题，然后将问题抽象成机器可预测的问题。 在这个过程中要明确业务指标和模型预测目标，根据预测目标选择适当的评估指标用于模型评估。接着从原始数据中选择 最相关的样本子集用于模型训练，并对样本子集划分训练集和测试集，应用交叉验证的方法对模型进行选择和评估。

2. 特征工程

完成问题建模，对数据进行筛选和清洗之后的步骤，就是对数据抽取特征，即特征工程。此时就要对模型的算法有深入的理解。

3. 常用模型(更多模型选择往下看)

特征工程的目的是为了将特征输入给模型，让模型从数据中学习规律。但模型有很多，不同的模型差别很大，使用场景不同， 能够处理的特征也会不同。

4. 模型融合

充分利用不同模型的差异，采用模型融合的方法，以进一步优化目标。

5. 用户画像

机器学习实现了太多模型，具体如何选择，sklearn官网提供了大概思路