何谓机器学习
机器学习就是把无序的数据转换成有用的信息，对与任何需要操作数据的领域都有所裨益。
机器学习的主要任务就是分类，当我们决定使用某个机器学习算法进行分类，首先需要做的是算法训练，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，每个训练样本包含多个特征和一个目标变量。目标变量是机器学习算法的预测结果，在分类算法中目标变量的类型通常是标称型的，而在回归算法中通常是连续型的。训练样本必须知道目标变量的值，以便机器学习算法可以发现特征和目标变量之间的关系。我们通常将分类问题中的目标变量称为类别，并假定分类问题只存在有限个数的类别。
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。输入测试样本时并不提供测试样本的目标变量，由程序决定样本属于哪个类别。比较测试样本预测的目标变量值与实际样本类别之间的差别，就可以得出算法的实际精度。
机器学习的主要任务
除了分类问题（将实例数据划分到合适的分类中）外，机器学习的另一项任务就是回归，它主要用于预测数值型数据，如数据拟合曲线。分类和回归都属于监督学习，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。在无监督学习中，将数据集合分成由类似对象组成的多个累的过程被称为聚类；将寻找描述数据统计值的过程称为密度估计。此外，无监督学习还可以减少数据特征的维度，以便使用二维或三围图形直观地展示数据信息。
如何选择合适的算法
选择实际可用的算法必须考虑以下两个问题：使用机器学习算法的目的；需要分析或收集的数据是什么。
考虑使用机器学习的目的。如果想要预测目标变量的值，则可以选择监督学习算法。在根据目标变量的类型，离散型选择分类器算法，连续数值型选择回归算法。如果不想预测目标变量的值，则可以选择无监督算法，再根据是否需要将数据划分为离散的组，确定使用聚类算法，如果还需估计数据与每个分组的相似程度则选择使用密度估计算法。
这里我们主要聚焦在分类器算法
其次需要考虑数据问题。特征值是离散型变量还是连续型变量，特征值中是否存在缺失的值，何种原因造成缺失，数据中是否存在异常值，某个特征发生的频率如何。充分了解这些数据特性有助于我们选择机器学习算法。
开发机器学习应用程序的步骤
- 收集数据：如使用网络爬虫从网上抽取数据，设备发送来的实测数据等
- 准备输入数据：确保数据格式符合要求，方便匹配操作
- 分析输入数据：人工分析得到的数据是否存在空值、异常值，是否可以识别出模式
- 训练算法：将训练数据集输入到算法中，抽取知识或信息
- 测试算法：评估算法的效果，如识别准确率、用时等
- 使用算法：将算法转换为应用程序，执行实际任务。
Python语言的优势
为什么选择Python作为实现机器学习算法的编程语言？
- Python的语法清晰
- 易于操作纯文本文件
- 使用广发，存在大量的开发文档
缺点：性能问题，运行效率不高。
