一、机器学习介绍
机器学习，最简单的是二叉树模型（学过数理金融的人都知道，期权的二叉树模型（Binomial Tree Model）），其次是决策树模型（DecisionTree），然后是随机森林模型（Random Forests），后面是梯度提升树模型（Xgboost）等。难度一步步加强，深度一步步加深。
用大白话讲，就像是一颗小树苗，后面分裂的树枝越来越多，最后要去综合预测叶子的生长形态。后续就是比较预测的叶子形态与后面实际生长出来的叶子形态，差距越小越好。但是因为受环境、地区、生长气候、光照等各种因素影响，在后续得不断的去修剪树枝（优化、调整、迭代模型）。（若理解的不够形象或有误，敬请指正）
二、Python中机器学习库
sklearn（scikit-learn）是一个功能丰富的机器学习库，包含多个模块，用于数据预处理、模型构建、模型评估等。
#数据预处理from sklearn.preprocessing import StandardScaler #标准化
#测试集、训练集划分from sklearn.model_selection import train_test_split
# 有监督学习模型from sklearn.linear_model import LinearRegression, LogisticRegression #导入线性回归、逻辑回归from sklearn.tree import DecisionTreeClassifier, DecisionTreeRegressor #决策树分类和回归模型from sklearn.ensemble import RandomForestClassifier #随机森林from sklearn.neighbors import KNeighborsClassifier #KNN分类器from sklearn.naive_bayes import GaussianNB #高斯分布
#无监督学习from sklearn.cluster import KMeans #聚类算法
#评估指标 准确率 M-V 混淆矩阵from sklearn.metrics import accuracy_score, mean_squared_error, confusion_matrix
三、实战demo
1、数据准备
提供需要分析的数据，进行数据对齐、清洗，处理缺失值和异常值等（该步骤非常重要，是建模的基石。曾经看过底层数据非常混乱、逻辑不符的数据集，建模非常累且白搭）。Data scientists spend 80% of their time cleaning and preparing data。2、特征选择（降维）
在数据标签中提出Y标，其余的标签作为特征；若特征较多的话，需要对特征进行降维处理，去除噪声，提高模型效率。3、模型选择
选择合适的模型，区分特征是连续性变量还是离散型变量，选择合适的算法模块。4、模型拟合评估
用训练集训练的模型，来拟合测试集。评估模型预测能力的准确率、模型的稳定性等，压力测试等。5、后续维护和优化
模型条件发生实质性或重大变化，或数据集发生变化等，需要进行模型迭代。
