非负矩阵分解（想学机器学习）

很多程序员打算开始学习机器学习了，却不知道该如何下手。今天我们就来看一看机器学习最基础的几种算法，掌握了这几种算法之后，就可以完成大部分简单的机器学习任务了。

首先我们来看一下什么是机器学习，机器学习(Machine Learning)是对所研究的问题进行模型假设，利用计算机从训练数据中学习得到模型参数，并最终对数据进行预测和分析的一门学科。简而言之，就是利用一些学习算法，让计算机自动给出数据的一些特征。

目前，机器学习已经用于了很多领域，例如：

互联网领域----语音识别、搜索引擎、语言翻译、垃圾邮件过滤、自然语言处理等

生物领域----基因序列分析、DNA 序列预测、蛋白质结构预测等

自动化领域----人脸识别、无人驾驶技术、图像处理、信号处理等

金融领域----证券市场分析、信用卡欺诈检测等

医学领域----疾病鉴别/诊断、流行病爆发预测等

刑侦领域----潜在犯罪识别与预测、模拟人工智能侦探等

新闻领域----新闻推荐系统等

游戏领域----游戏战略规划等

那么，机器学习包括哪些最基本的方法呢？概括起来，大致包括以下几种：分类、聚类、回归和降维。

一、分类算法

顾名思义，分类算法就是将给定样本放到对应的类别中的一种算法。例如最简单的垃圾邮件检测，我们把邮件简单地分为垃圾邮件和普通邮件两类。通过特征的自动识别，将邮件自动转入所在地区划中去。

常用分类算法包括Logistic回归、分类树、深度学习、SVM（支持向量机）、朴素贝叶斯等。

二、聚类算法

所谓聚类算法，是指在没有训练的条件下，根据算法本身的特征，对一些没有标签的数据依据其相似性进行归纳分类，从而对数据进行概括。换句话说，就是一堆数据我们无从下手，先让计算机给他们分分类，归个堆。计算机做这一切的时候，并不关心某一类到底是什么，它要做的就是把相似的东西聚在一起。例如对于客户进行细分等。

常用的聚类算法包括K-means算法、AP聚类、层次聚类、DBSCAN等。

三、回归算法

回归算法是指根据现有的数据，拟合出函数曲线，从而预测于未来的数据的算法。例如我们已经知道了前二十年的房价与货币的关系，预测出下个十年房价会怎么变化。

常用的回归算法包括线性回归、回归树、最近邻算法等。

四、降维算法

通常我们要考虑的数据，其特征维度是很大的，例如一只猫，其属性就至少包括毛色、体型、身高、体重、年龄、性别、性格、血统等等。维数越多，信息数据量越大，占用的磁盘空间和内存较多。实际上我们在实际中有时候用不到这么多的信息，所以就需要降维。太高的维度会造成维度灾难，就是在给定精度下，准确地对某些变量的函数进行估计，所需的样本数量会随着样本的位数的增加而成指数增长。降维是试图压缩维度，并尽可能地保留分布信息。我们可以将其视为数据压缩，或者特征选择。

常用的降维算法包括PCA、特征选择、非负矩阵分解等。

这四种算法中，分类和回归属于监督学习，就是针对训练样本已经被标记的学习方法。而降维和聚类属于无监督学习，就是训练样本没有被标记的情况下的学习方法。

掌握了这几种基本算法，就可以开始你的机器学习之路了。是不是很让人期待呢？