什么是机器学习？我们把它分成两部分看：
1.必须有一些已经存在的数据，拿来给机器学习。
2.机器学习之后必须给出自己的学习结果，也是是举一会反三。
机器拿到数据后可以有不同的学习方法，这些方法得到的结果不尽相同，可以自主选择。
以下是各方法：
-
决策树
顾名思义：一棵用来决策的树。
机器学习已有的数据，分析什么情况会导致什么结果，把它画成一颗分叉的树，
然后如果有新数据来了，带入这棵树来决策应该怎么做。
比如带入性别，得到结果：性别女则决策买买买，性别男则决策吃吃吃。 -
朴素贝叶斯
贝叶斯是个概率公式。
你观察数据发现，所有渣男阵营都是锡纸烫，但是好人阵营里有一小部分也是锡纸烫。
假设所有锡纸烫的人中渣男有80个人，好人有20个人。就得到锡纸烫的渣男概率了。
概率就是：检测新来的锡纸烫人，他有80%的概率是渣男。 -
梯度下降
顾名思义：一个按照梯度方向，下降最快方向，下降到底的方法。
你面前有一座山，就是初始数据，你每向山下走一步就是下降一次，问题是如何才能最快下山呢？当然是选择梯度（最陡峭的方向）方向向下走啦！
梯度的选择是自己设定的，下降距离最大的。可以尝试很多方向。
这是一个算法，每次需要计算的时候可以调用这个算法。 -
线性回归
顾名思义：线性拟合原来的数据，然后让你看其他数据时，带回（回归）到该拟合线上看。
怎么看一条线拟合的好不好？
看看每个点到这条线的距离和，也就是误差和。和越小越好，最好是找到最小值，这时候就可以用上面说的梯度下降方法找最值了。
我们在实践的过程中发现光看距离，有可能出现负数，这时候该如何解决？
我们选择把距离都取平方再求和，此时求得的最值依然是原来函数的最值，反正只要找出最小值就可以了，这种方法叫最小二乘法。
现在终于拟合好了这条线，随意给你一个值，你能大致判断它是在线上的位置就是回归了。 -
逻辑回归
顾名思义：已知原来的数据的逻辑，就是好与不好。拟合原来的数据，线性也好，非线性也好。随便怎么样，反正把好与不好分开来，然后随意丢给你你一个数据问你猜好不好就是逻辑回归。
逻辑就是分类。
回归就是随意给你一个数据，你去猜它的类。
怎么看分类的好不好呢？还是随便画一条线，我们统计一下分正确的点和分错误的点，但是个数这个东西不好弄呀，有可能个数一样但是分的差的很远，我们得想个办法来衡量一下。
办法就是：如果这个数据分正确了，就加上一个很小的的值，但是一个数据分错了就加上一个很大的值，可以把这个值想象成闪电的强度，我们力图找到一个最小的闪电强度。
对，转化成数值来衡量之后，我们就又可以用梯度下降法来找最小值了。
这个闪电叫误差惩罚，最后加起来得到的强度叫误差，越小越好。 -
支持向量机
英文是SVM,S是support 顾名思义：支持，其实翻译成支撑的意思更容易理解。
我们按照逻辑回归分类，突然发现分隔数据的时候有很多线都成立，但是谁分的更好一点呢？
总要有个衡量准则，就像逻辑回归线是通过误差值来衡量一样，我们选择支持向量机完成是另外一种方法，就是支撑点，一条线分的好不好就看离这条线最近点的距离是多少（这个距离一定是最小值，这个点就是支撑点），然后尝试第二条符合分隔的线，求出支撑点的距离，一比较，哎嘿，一个大一个小，肯定选距离大的那条线，因为他的支撑性比较好，容错率较高。
总结来说：
有不同的线对比，每条线都有支撑着的点，对比一下他们离分割线的距离，距离越大越好，因为分的开一点。这种方法叫支持向量机。 -
神经网络
上面接触的方法都是用一条线分隔，现如今出现的情况是，在已经分隔好的情况下，需要继续取一部分细分，取同时符合两种线的部分，如何操作？
其实也没什么难度，就直接用两条线分就行啦，为了形象的把这个过程描述出来，就类比到神经元这个概念。
数据传输过来，进入一个神经元（一条线）判断处理取符合条件的值（可以是0 1类型），再进入另一个神经元（另外那条线）取符合条件的值（可以是0 1类型），把这两个神经元（线）处理好的东西接在一起处理（与运算）判断是否都满足，是则输出，不是则丢弃。
这样画下来还真是神经网络的样子，所以这种方法叫神经网络。 -
核函数
kernel trick，发音核，之前学的方法我们都默认用直线划分，那是因为给的数据自己就分的很开，我们寻找到合适的直线就可以了，有这样的一种情况，所有的数据再一条直线上，怎么办呢？
很简单：
用曲线啊！
众所周知，曲线的函数表达式有两个字母，一个未知数，他们蕴含某种关系，完全可以把数据区分开！
但令人感兴趣的是，我们可以提高维度，比如赋予两个字母某种关系，把这个值放在第三个字母上，这样就是三个字母两个未知数的式子啦，这样也叫核函数！
我们依然可以把核函数理解为分类问题。
总结：有一个忍者，他看到数据，
啪一下直接分成两半了，那么它叫：逻辑回归忍者。
他小心翼翼的对比着边界数据切开，那么他叫：支持向量机忍者。
他交叉砍了好多刀，把数据分成了区域，那么他叫：神经网络忍者。
他对着排成一行的数据挠了挠头，拍桌而起，符合条件的数据因为小震到了上半空间，大的落在了下半空间，那么他叫：核函数忍者。
-
K均值聚类
顾名思义：聚类，就是把聚在一起的数据标记出来，聪明的人类一下就能看出来怎么分！
机器怎么学习呢？
随机散落几个值（a,b,c），分别求离a,b,c近的数据A,B,C，调整a,b,c到A,B,C中间（K均值的意思）。
迭代：重新标记离a,b,c近的数据集A,B,C，调整a,b,c到数据集A,B,C中间。
直到稳定。
重要的一点是：我们需要提前给定聚类的数量，比如例子中的a,b,c三个类。 -
层次聚类
如果不知道聚类数量怎么办？
从数据入手，如果两个数据之间距离小于我们设定的值，就合并进一个分组（层次的意思），一直迭代，直到算法结束。
这样我们就得到了一个根据距离长短分好的聚类了。