什麼是機器學習？我們把它分成兩部分看：
1.必須有一些已經存在的數據，拿來給機器學習。
2.機器學習之後必須給出自己的學習結果，也是是舉一會反三。
機器拿到數據後可以有不同的學習方法，這些方法得到的結果不盡相同，可以自主選擇。
以下是各方法：
-
決策樹
顧名思義：一棵用來決策的樹。
機器學習已有的數據，分析什麼情況會導致什麼結果，把它畫成一顆分叉的樹，
然後如果有新數據來了，帶入這棵樹來決策應該怎麼做。
比如帶入性別，得到結果：性別女則決策買買買，性別男則決策喫喫喫。 -
樸素貝葉斯
貝葉斯是個概率公式。
你觀察數據發現，所有渣男陣營都是錫紙燙，但是好人陣營裏有一小部分也是錫紙燙。
假設所有錫紙燙的人中渣男有80個人，好人有20個人。就得到錫紙燙的渣男概率了。
概率就是：檢測新來的錫紙燙人，他有80%的概率是渣男。 -
梯度下降
顧名思義：一個按照梯度方向，下降最快方向，下降到底的方法。
你面前有一座山，就是初始數據，你每向山下走一步就是下降一次，問題是如何才能最快下山呢？當然是選擇梯度（最陡峭的方向）方向向下走啦！
梯度的選擇是自己設定的，下降距離最大的。可以嘗試很多方向。
這是一個算法，每次需要計算的時候可以調用這個算法。 -
線性迴歸
顧名思義：線性擬合原來的數據，然後讓你看其他數據時，帶回（迴歸）到該擬合線上看。
怎麼看一條線擬合的好不好？
看看每個點到這條線的距離和，也就是誤差和。和越小越好，最好是找到最小值，這時候就可以用上面說的梯度下降方法找最值了。
我們在實踐的過程中發現光看距離，有可能出現負數，這時候該如何解決？
我們選擇把距離都取平方再求和，此時求得的最值依然是原來函數的最值，反正只要找出最小值就可以了，這種方法叫最小二乘法。
現在終於擬合好了這條線，隨意給你一個值，你能大致判斷它是在線上的位置就是迴歸了。 -
邏輯迴歸
顧名思義：已知原來的數據的邏輯，就是好與不好。擬合原來的數據，線性也好，非線性也好。隨便怎麼樣，反正把好與不好分開來，然後隨意丟給你你一個數據問你猜好不好就是邏輯迴歸。
邏輯就是分類。
迴歸就是隨意給你一個數據，你去猜它的類。
怎麼看分類的好不好呢？還是隨便畫一條線，我們統計一下分正確的點和分錯誤的點，但是個數這個東西不好弄呀，有可能個數一樣但是分的差的很遠，我們得想個辦法來衡量一下。
辦法就是：如果這個數據分正確了，就加上一個很小的的值，但是一個數據分錯了就加上一個很大的值，可以把這個值想象成閃電的強度，我們力圖找到一個最小的閃電強度。
對，轉化成數值來衡量之後，我們就又可以用梯度下降法來找最小值了。
這個閃電叫誤差懲罰，最後加起來得到的強度叫誤差，越小越好。 -
支持向量機
英文是SVM,S是support 顧名思義：支持，其實翻譯成支撐的意思更容易理解。
我們按照邏輯迴歸分類，突然發現分隔數據的時候有很多線都成立，但是誰分的更好一點呢？
總要有個衡量準則，就像邏輯迴歸線是通過誤差值來衡量一樣，我們選擇支持向量機完成是另外一種方法，就是支撐點，一條線分的好不好就看離這條線最近點的距離是多少（這個距離一定是最小值，這個點就是支撐點），然後嘗試第二條符合分隔的線，求出支撐點的距離，一比較，哎嘿，一個大一個小，肯定選距離大的那條線，因爲他的支撐性比較好，容錯率較高。
總結來說：
有不同的線對比，每條線都有支撐着的點，對比一下他們離分割線的距離，距離越大越好，因爲分的開一點。這種方法叫支持向量機。 -
神經網絡
上面接觸的方法都是用一條線分隔，現如今出現的情況是，在已經分隔好的情況下，需要繼續取一部分細分，取同時符合兩種線的部分，如何操作？
其實也沒什麼難度，就直接用兩條線分就行啦，爲了形象的把這個過程描述出來，就類比到神經元這個概念。
數據傳輸過來，進入一個神經元（一條線）判斷處理取符合條件的值（可以是0 1類型），再進入另一個神經元（另外那條線）取符合條件的值（可以是0 1類型），把這兩個神經元（線）處理好的東西接在一起處理（與運算）判斷是否都滿足，是則輸出，不是則丟棄。
這樣畫下來還真是神經網絡的樣子，所以這種方法叫神經網絡。 -
核函數
kernel trick，發音核，之前學的方法我們都默認用直線劃分，那是因爲給的數據自己就分的很開，我們尋找到合適的直線就可以了，有這樣的一種情況，所有的數據再一條直線上，怎麼辦呢？
很簡單：
用曲線啊！
衆所周知，曲線的函數表達式有兩個字母，一個未知數，他們蘊含某種關係，完全可以把數據區分開！
但令人感興趣的是，我們可以提高維度，比如賦予兩個字母某種關係，把這個值放在第三個字母上，這樣就是三個字母兩個未知數的式子啦，這樣也叫核函數！
我們依然可以把核函數理解爲分類問題。
總結：有一個忍者，他看到數據，
啪一下直接分成兩半了，那麼它叫：邏輯迴歸忍者。
他小心翼翼的對比着邊界數據切開，那麼他叫：支持向量機忍者。
他交叉砍了好多刀，把數據分成了區域，那麼他叫：神經網絡忍者。
他對着排成一行的數據撓了撓頭，拍桌而起，符合條件的數據因爲小震到了上半空間，大的落在了下半空間，那麼他叫：核函數忍者。
-
K均值聚類
顧名思義：聚類，就是把聚在一起的數據標記出來，聰明的人類一下就能看出來怎麼分！
機器怎麼學習呢？
隨機散落幾個值（a,b,c），分別求離a,b,c近的數據A,B,C，調整a,b,c到A,B,C中間（K均值的意思）。
迭代：重新標記離a,b,c近的數據集A,B,C，調整a,b,c到數據集A,B,C中間。
直到穩定。
重要的一點是：我們需要提前給定聚類的數量，比如例子中的a,b,c三個類。 -
層次聚類
如果不知道聚類數量怎麼辦？
從數據入手，如果兩個數據之間距離小於我們設定的值，就合併進一個分組（層次的意思），一直迭代，直到算法結束。
這樣我們就得到了一個根據距離長短分好的聚類了。