原文：
www.kdnuggets.com/2018/11/machine-learning-classification-dataset-based-pictorial.html
评论
机器学习中的分类概念涉及构建一个将数据分为不同类别的模型。通过输入一组预标记类别的训练数据来构建该模型，以便算法从中学习。然后，通过输入一个类别未标记的不同数据集来使用该模型，让模型基于从训练集中学到的知识来预测其类别。著名的分类方案包括决策树和支持向量机等。由于这种类型的算法需要明确的类别标记，因此分类是一种有监督学习形式。
从概念上讲，这非常直观且易于理解。但初学者可能会问这在实际生活中是如何运作的。为了将机器学习分类与实际情况联系起来，让我们一步步地看一下这个概念如何展开，具体涉及一个数据集，从一个常见的以逗号分隔值（CSV）文件——一个常用的存储和输入数据到机器学习系统的方式——到一个可以用来进行预测的模型。
在我们的练习中，我们将做以下假设：
-
我们将使用经过时间考验的成人数据集作为我们的示例。
-
我们将省略讨论数据集的任何预处理细节。
-
因此，我们将忽略数据集中类别特征的存在，这些特征在实际中需要转换为数值表示。
-
我们还将忽略空值的存在，这在实际中也需要处理。
-
最后，我们假设我们对数据集的常规训练/测试拆分感兴趣（而不是某些保留方法如交叉验证）。
我们先来看一下原始数据集，你可以在图 1 中找到。这包括完成机器学习任务所需的所有数据。我们只取了 CSV 文件的前 25 行作为示例。
请注意，你可以点击所有图片以放大查看。
图 1：原始成人数据集。
我们有一组特征变量，或称为特征，用于描述某个观察实例。行是观察实例，而列是特征。这适用于所有列，除了最右侧的列，这就是我们的目标，一个类别集合，我们将尝试通过其相关特征值进行预测——这就是分类的本质。监督学习的“其他”类别，回归，在概念上几乎相同；唯一的区别是，尽管预测旨在学习如何预测有限的分类值集合，但回归旨在预测连续的数值。
图 2 显示了我们的数据集被分为特征在红线的左侧，目标在右侧。
图 2：特征在红线的左侧，目标在右侧。
特定实例的特征被组合成一个特征向量，其示例在图 3中展示。
图 3：在完整数据集背景下显示的特征向量。
一个实例由特征向量和对应的目标组成，如图 4所示。
图 4：一个实例（或观察）包括一个特征向量和一个对应的目标。
现在我们已经定义了完整数据集的构成，我们需要做一些决定。由于我们最终希望将数据用于建模，并利用学到的知识对其他数据进行分类（而不是用于构建模型的相同数据），我们需要将数据集分为训练数据集和测试数据集。这通常通过在某个点拆分数据集来完成，拆分点由希望用于训练的数据集的百分比表示。在这个例子中，我们将使用 20 个数据实例进行训练（80%，这种拆分通常是合理的范围），剩余的 5 个数据实例用于测试我们所学到的知识。这个拆分可以在图 5中看到。
图 5：将我们的数据集拆分为训练集（黄线以上）和测试集（黄线以下）。
此时，我们对单一实体数据集的了解足够多，可以将其切分为对我们的机器学习算法有用的部分。我们需要在训练和测试集中分离特征和目标（我们将忽略确保实例随机分割的细节）。
假设我们使用的是 Python 生态系统（我对此很熟悉），这样的分割可以通过如Scikit-learn 的train_test_split函数等工具轻松实现，下面展示了一个示例：
X_train, X_test, y_train, y_test = train_test_split(
full_data[:,:-1],
full_data[:,-1:],
test_size=0.2,
random_state=42)调用后，我们得到：
-
训练特征矩阵 (X_train)，左上角（如图 6 所示）
-
训练目标向量 (y_train)，右上角
-
测试特征矩阵 (X_test)，左下角
-
测试目标向量 (y_test)，右下角
图 6：我们的训练和测试分割，以及特征和目标的分离。
现在我们需要学习训练集中特征到目标的映射，以便将这个映射应用于我们的测试数据，以查看我们的模型的准确性。这一学习过程的结果，如图 7 所示，是一个可以随后使用的函数。这就是监督机器学习的本质：输入标记数据实例，学习这样一个函数，然后将该函数应用于未标记的数据（或故意隐瞒标签的数据）。
图 7：从原始数据到有用的预测函数，建模过程中。
训练后，函数可以应用于我们的测试集，并且可以根据测试实例中的特征做出预测（如图 8 所示）。
图 8：使用学习到的函数对测试集进行预测。
最后一个主要步骤是通过准确性等指标来衡量我们模型的有效性（请注意，我们没有讨论测试集与验证集的区别）。在测试阶段，我们的预测目标将与测试集的真实（实际）目标进行比较，并记录下来。实际操作中，这将把新向量的元素（例如，y_pred）与现有y_test向量的元素进行比较。这显示了我们的模型的有效性，并为我们提供了一个基准，我们可以用它来比较未来使用其他算法学习的分类模型（函数），甚至使用相同算法但不同超参数设置的模型。
相关：
-
使用 Mitchell 范式的学习算法简明解释
-
数据科学难题，重温
-
机器学习算法：简明技术概述
1. Google 网络安全证书 - 快速入门网络安全职业生涯
2. Google 数据分析专业证书 - 提升你的数据分析技能
3. Google IT 支持专业证书 - 支持你所在组织的 IT 需求