机器学习专题

随着人工智能的火热，机器学习和深度学习技术再一次进入了大众的视野。python的scikit-learn模块专注于机器学习领域，提供了数据集构建，数据预处理，模型算法，效果评估等各个环节的接口，是入门机器学习的最佳模块。

数据决定机器学习模型的上限，该模块支持使用公共数据集和模拟数据集，对数据预处理阶段的各种操作也进行了详细的介绍，相关推文如下

• 机器学习简介
• 使用scikit-learn构建数据集
• 使用scikit-learn填充缺失值
• 使用scikit-learn对数据进行预处理
• 异常点检测算法

回归和分类作为监督学习的两大类任务，其常用算法必须做到耳熟能详。首先是回归相关算法

• 线性回归与最小二乘法
• 基于正则化的回归：岭回归和套索回归
• 使用局部加权线性回归解决非线性数据的拟合问题
• 逻辑回归:建立在回归基础上的一种分类模型

分类相关算法

• KNN:最容易理解的分类算法
• 使用支持向量机SVM进行分类
• 决策树:最清晰明了的分类模型
• 朴素贝叶斯：基于概率论的分类模型
• 随机森林:基于决策树的集成学习算法
• Adaboost算法:基于集成学习的又一经典分类算法
• GBDT:梯度提升树算法

对于非监督学习而言，聚类和降维是最常见的两种场景，聚类相关的算法如下

• K-means聚类：原理简单的聚类算法
• 层次聚类Hierarchical Clustering解析
• BIRCH聚类算法详解
• DBSCAN聚类算法详解
• OPTICS聚类算法详解
• Affinity Propagation聚类算法详解
• spectral-cluster聚类算法详解

降维相关的算法如下

• 使用PCA算法对原始数据降维
• 奇异值分解SVD
• 非负矩阵分解NMF
• LDA线性判别分析
• 使用t-SNE算法进行可视化
• isomap降维算法
• LLE降维算法
• 核密度估计KDE

特征工程作为机器学习中最重要的部分，常用的策略如下

• 特征选择三板斧

模型评估，顾名思义，用来评估模型效果，不同任务有不同的评估指标

• 回归模型评估指标
• 分类模型评估指标
• 聚类模型评估指标之内部方法
• 聚类模型评估指标之外部方法
• 交叉验证的3种方法

以上只是机器学习的大概框架和部分学习内容，更多的算法和细节可以进一步阅读scikit-learn的官方文档。

·end·

—如果喜欢，快分享给你的朋友们吧—

原创不易，欢迎收藏，点赞，转发！生信知识浩瀚如海，在生信学习的道路上，让我们一起并肩作战！

本公众号深耕耘生信领域多年，具有丰富的数据分析经验，致力于提供真正有价值的数据分析服务，擅长个性化分析，欢迎有需要的老师和同学前来咨询。