《机器学习系统设计》是一本不俗的机器学习空战入门的书籍。第一章讲解了用作机器学习的Python涉及工具，接下来分别用空战型例子介绍聚类、分类、重返、模式识别、降维等机器学习的主要的几种方法。

机器学习就是教教机器自己来已完成任务，机器学习的目标就是通过若干示例让机器学会已完成任务。像其他工程一样，设计一个机器学习系统工作一般花上在一些极为憧憬的任务上：（1）加载和清除数据；（2）探寻和解读输出数据；（3）分析如何最差地将数据呈现出给自学算法；（4）自由选择准确的自学算法和模型；（5）正确地评估性能。分类是一种监督性自学（必须样本展开训练），书中第二章从最简单的肉眼仔细观察方法，谈到K附近算法和分类树根方法。

聚类是一种无监督自学，书中第三章一种较为典型的聚类方法——K均值（质心移动法）。主题模型不同于聚类，而是把对象放进几个组（叫作主题）中。分类、聚类和主题模型是主流的机器学习模型，是机器学习的基础知识，只有融会贯通这些基础知识才能在遇上更加有挑战性地问题时能见招拆招。

设计机器学习系统才对要对系统展开提高，我本基本有如下自由选择：（1）减少更加多数据：或许我们没为自学算法获取充足数据，因此减少更好的训练数据才可。（2）考虑到模型复杂度：或许模型还过于简单，或者早已过于简单了。例如在K附近算法中，我们可以减少K值，使得较较少的邻接被考虑到进来，从而更佳地预测不光滑数据。

我们也可以提升K值，来获得忽略的结果。（3）改动特征空间：或许我们的特征子集并很差。例如，我们可以转变当前特征的范围，或者设计新的特征。又或者，如果一些特征和另外一些特征是别称关系，可以移除一些特征。

（4）转变模型：或许XX算法并不合适我们的问题，无论我们让模型显得有多简单，无论特征空间不会边得多负杂，它总有一天也得到较好的预测结果。逻辑重返是一种分类方法，当他处置基于文本的分类任务时，功能十分强劲。

朴素贝叶斯是一种分类方法，或许是最典雅的有实际效用的机器学习算法之一了，尽管名字叫作朴素，但是当你看见其分类的实际效果时，你不会找到并不是那么朴素。他对牵涉到特征的处置能力十分勇猛，牵涉到特征不会被大自然地过滤器掉。用它展开机器学习和预测的时候，速度都十分慢，而且并不需要相当大的存储空间。

（之所以称为朴素，是因为有一个能让贝叶斯方法拟合工作的假设：所有特征必须互相独立国家。而实际应用于中，这种情况很少经常出现。尽管如此，在实践中，即使在独立国家假设并不正式成立的情况下，他依然能超过很高的正确率。关口重返预测模型中首先讲解akindoldmethod——普通大于二乘法重返（OrdinaryLeastSquares，OLS）。

有时候为了防止过数值中用了岭重返、Lasson法和弹性网（他们是最前沿的重返方法）。Apriori算法在形式上会将一些子集当成输出，并回到这些子集中经常出现频率十分低的子集。

Apriori的目标就是找寻一个低反对度的项集。其解决问题的经典问题是购物篮问题（挖出出售A的人有可能还不会出售什么）。当然，购物篮问题也可以尝试用基于概率的关联规则挖出方法。

牵涉到到语音、音乐等样本的机器学习系统则显得有所不同，因为他们的叙述值并不是那么显著（比如花朵分类问题中，对特征的叙述花瓣数量、花朵颜色等都较为具体），而对于一段长3分钟的MP3歌曲，似乎我们无法用MP3数据的每一bit来回应。书中讲解了一种基于音乐频率的分类方法（FFT）——一种可以从音频中萃取频率强度的方法（较慢傅里叶转换）。但是FFT意味着是一个方向，却正确率不低！只不过对于音乐分类早已有人遇上某种程度的问题，并顺利解决问题了，甚至有一个每年举行的会议专门用来解决问题音乐分类问题。

这个的组织是由音乐信息检索国际协会（ISMIR）的组织的。很显著自动音乐体裁分类是音乐信息检索的一个子领域。在AMGC中一个应用于较为多的音乐体裁分类方法就是梅尔推倒频谱系数（MFCC）技术。梅尔推倒频谱（MFC）不会对声音的功率序展开编码，它是通过对信号序的对数展开傅里叶转换获得的。

而牵涉到到图像、视频的机器学习系统则又和之前有所不同，这方面甚至必要独立国家出来分开研究。

本文来源：雷竞技(RAYBET)-www.sa-ny.com