Python 机器学习入门：数据集、数据类型和统计学

机器学习是通过研究数据和统计信息使计算机学习的过程。机器学习是迈向人工智能（AI）的一步。机器学习是一个分析数据并学会预测结果的程序。

数据集

在计算机的思维中，数据集是任何数据的集合。它可以是从数组到完整数据库的任何东西。

数组的示例：

[99,86,87,88,111,86,103,87,94,78,77,85,86]

数据库的示例：

Carname Color Age Speed AutoPass

BMW red 5 99 Y

Volvo black 7 86 Y

VW gray 8 87 N

VW white 7 88 Y

Ford white 2 111 Y

VW white 17 86 Y

Tesla red 2 103 Y

BMW black 9 87 Y

Volvo gray 4 94 N

Ford white 11 78 N

Toyota gray 12 77 N

VW white 9 85 N

Toyota blue 6 86 Y

通过查看数组，我们可以猜测平均值可能在80到90之间，我们还能够确定最高值和最低值，但我们还能做什么？

通过查看数据库，我们可以看到最受欢迎的颜色是白色，而最老的车辆为17岁，但如果我们能够通过查看其他值来预测车辆是否具有AutoPass呢？

这就是机器学习的用途！分析数据并预测结果！

在机器学习中，通常需要处理非常大的数据集。在本教程中，我们将尽量让您尽可能容易地理解机器学习的不同概念，并使用易于理解的小型数据集。

数据类型

要分析数据，重要的是要知道我们正在处理的数据类型。

我们可以将数据类型分为三个主要类别：

• 数值

• 分类

• 顺序

数值数据是数字，并且可以分为两个数值类别：

1. 离散数据 - 限制为整数的数字。示例：汽车经过的数量。

2. 连续数据 - 有无限值的数字。示例：物品的价格或大小。

分类数据是不能相互比较的值。示例：颜色值或任何是/否值。

顺序数据类似于分类数据，但可以相互比较。示例：学校成绩，其中A好于B等等。

通过了解数据源的数据类型，您将能够知道在分析数据时使用哪种技术。

您将在接下来的章节中了解更多有关统计学和数据分析的内容。

机器学习 - 均值、中位数、众数

在观察一组数字时，我们可以学到什么？

在机器学习（以及数学）中，通常有三个值引起我们的兴趣：

• 均值 - 平均值

• 中位数 - 中间值

• 众数 - 出现最频繁的值

示例：我们已经记录了13辆车的速度：

speed = [99,86,87,88,111,86,103,87,94,78,77,85,86]

这些速度的平均值、中间值和最常见的速度值是多少呢？

均值

均值是平均值。

要计算均值，找到所有值的总和，并将总和除以值的数量：

(99+86+87+88+111+86+103+87+94+78+77+85+86) / 13 = 89.77

NumPy模块有一个用于此目的的方法。了解有关NumPy模块的信息，请查看我们的NumPy教程。

示例：使用NumPy的mean()方法找到平均速度：

import numpy

  

speed = [99,86,87,88,111,86,103,87,94,78,77,85,86]

  

x = numpy.mean(speed)

  

print(x)

中位数

中位数是排列所有值后位于中间的值：

77, 78, 85, 86, 86, 86, 87, 87, 88, 94, 99, 103, 111

在找到中位数之前，需要确保对数字进行排序。

NumPy模块有一个用于此目的的方法：

示例：使用NumPy的median()方法找到中间值：

import numpy

  

speed = [99,86,87,88,111,86,103,87,94,78,77,85,86]

  

x = numpy.median(speed)

  

print(x)

如果中间有两个数字，将这些数字的总和除以2。

77, 78, 85, 86, 86, 86, 87, 87, 94, 98, 99, 103

(86 + 87) / 2 = 86.5

示例：使用NumPy模块：

import numpy

  

speed = [99,86,87,88,86,103,87,94,78,77,85,86]

  

x = numpy.median(speed)

  

print(x)

众数

众数是出现最频繁的值：

99, 86, 87, 88, 111, 86, 103, 87, 94, 78, 77, 85, 86 = 86

SciPy模块有一个用于此目的的方法。了解有关SciPy模块的信息，请查看我们的SciPy教程。

示例：使用SciPy的mode()方法找到出现最频繁的数字：

from scipy import stats

  

speed = [99,86,87,88,111,86,103,87,94,78,77,85,86]

  

x = stats.mode(speed)

  

print(x)