预测建模入门简介

当你是一个彻头彻尾的初学者时，这可能会非常令人困惑，甚至令人沮丧。

即使是那些事后看来如此简单的想法，在你第一次遇到它们时也会觉得陌生。你需要学习一种全新的语言。

我最近收到了这个问题

所以，如果以 鸢尾花练习 为例，如果我从花园里摘一朵花，我将如何使用算法来预测它是哪种花？

这是一个很好的问题。

在这篇文章中，我想对预测建模进行一个温和的介绍。

预测建模入门简介

1. 样本数据

数据是关于你正在处理的问题的信息。

想象一下，我们想根据花的测量值来识别花的种类。

数据由四个厘米单位的花朵测量值组成，这些是数据的列。

数据的每一行都是一个经过测量且已知种类的花朵示例。

我们要解决的问题是，根据样本数据创建一个模型，该模型可以仅根据花朵的测量值来判断它属于哪种种类。

鸢尾花数据样本

2. 学习一个模型

上面描述的这个问题被称为监督学习。

监督学习算法的目标是获取一些具有已知关系的数据（实际的花朵测量值和花朵的种类），并创建这些关系的模型。

在这种情况下，输出是一个类别（花朵种类），我们将这类问题称为分类问题。如果输出是一个数值，我们则称之为回归问题。

算法负责学习。模型包含学习到的关系。

模型本身可能只是一些数字以及一种利用这些数字将输入（以厘米为单位的花朵测量值）与输出（花朵的种类）关联起来的方法。

我们希望在从样本数据中学习到模型后保留它。

使用训练数据和算法创建预测模型。

3. 进行预测

我们不需要保留训练数据，因为模型已经总结了其中包含的关系。

我们保留从数据中学到的模型，是因为我们想用它来做预测。

在这个例子中，我们使用模型通过测量我们不知道种类特定花朵的尺寸。

我们的模型将读取输入（新的测量值），用其内部数字进行某种计算，并对它属于哪种花卉做出预测。

预测可能不完美，但如果你有良好的样本数据和从该数据中学到的健壮模型，它将相当准确。

使用模型对新数据进行预测。

总结

在这篇文章中，我们对预测建模进行了非常温和的介绍。

我们探讨了预测建模的三个方面：

1. 样本数据：我们收集的描述我们问题的数据，其中包含输入和输出之间的已知关系。
2. 学习模型：我们对样本数据使用的算法，以创建一个我们可以反复使用的模型。
3. 进行预测：在不知道输出结果的新数据上使用我们学习到的模型。

我们以根据花朵测量结果对植物种类进行分类为例。

这实际上是机器学习中一个著名的例子，因为它是一个干净的数据集，而且问题很容易理解。

行动步骤

花点时间真正理解这些概念。

它们是你可能在机器学习中进行的任何思考或工作的基础。

你的行动步骤是思考这三个方面（数据、模型、预测），并将它们与你想解决的问题联系起来。

如有任何问题，请在评论中提出。我在这里提供帮助。