机器学习算法概述
机器学习就是把无序的数据转换成有用的信息。
机器学习横跨计算机科学、工程技术和统计学等多个学科，需要多学科的专业知识。机器学习的主要任务就是分类。很多机器学习算法非常善于分类。
机器学习算法进行分类，首先要做的是算法训练，即学习如何分类。通常我们为算法输入大量已分类数据作为算法的训练集。训练集是用于训练机器学习算法的数据样本集合。为了测试机器学习算法的效果，通常使用两套独立的样本集：训练数据和测试数据。当机器学习程序开始运行时，使用训练样本集作为算法的输入，训练完成之后输入测试样本。
机器学习的另一项任务是回归，它主要用于预测数值型数据。分类和回归属于监督学习，之所以称之为监督学习，是因为这类算法必须知道预测什么，即目标变量的分类信息。与监督学习相对应的是无监督学习，此时数据没有类别信息，也不会给定目标值。
下表中列出机器学习的主要任务，以及解决相应问题的算法。
用于执行分类、回归、聚类和密度估计的机器学习算法
监督学习的用途
k-近邻算法 线性回归
朴素贝叶斯算法 局部加权线性回归
支持向量机 Ridge回归
决策树 Lasso最小回归系数估计
无监督学习的用途
K-均值 最大期望算法
DBSCAN Parzen窗设计
选择实际可用的算法，必须考虑下面两个问题：
使用机器学习算法的目的，想要算法完成何种任务
需要分析或收集的数据是什么
充分了解数据特性可以缩短选择机器学习算法的时间。
机器学习算法虽然各不相同，但是使用算法创建应用程序的步骤却基本类似。通常遵循以下的步骤：
收集数据
准备输入数据
分析输入数据
训练算法（无监督学习算法，不需要）
测试算法
使用算法
