一、机器学习基本算法归类
数据源有标签属于有监督学习（回归可以理解为：y=ax b）
数据源无标签属于无监督学习
离散型变量一般属于分类算法
连续型变量一般属于回归算法
注：逻辑回归是二分类算法
二、机器学习一般建模流程
1、导入库(sciket-learn相关模块儿)
2、导入原始数据（数据读入，sql/本地文件/其他数据方式）
3、数据清洗（null值，偏离值等处理）
4、特征选择：选出所需特征x,以及对应目标y
—数据决定了机器学习的上限，而算法只是尽可能的逼近这个上限—
特征工程：特征构建、特征提取、特征选择
代码语言：javascript复制常用特征处理方法及API
#特征抽取
import sklearn.feature_extraction
#字典特征抽取DictVectorizer
from sklearn.feature_extraction import DictVectorizer
#文本特征抽取
from sklearn.feature_extraction.text import CountVectorizer
#TF-IDF特征抽取
from sklearn.feature_extraction.text import TfidfVectorizer
参考链接：https://blog.csdn.net/qq_35866846/article/details/1029295755、数据集划分
代码语言：javascript复制from sklearn.model_selection import train_test_split #数据集划分API
x_train,x_test,y_train,y_test=train_test_split(X,Y,test_size=0.25,random_state=0)6、数据预处理（标准化、归一化）
代码语言：javascript复制import sklearn.preprocessing
from sklearn.preprocessing import StandardScaler #标准化
from sklearn.preprocessing import MinMaxScaler #归一化–StandardScaler/MinMaxScaler又称Transformer转换器–
7、建模、模型训练
使用训练集建立模型 常用模型算法及API
代码语言：javascript复制#导入线性回归模型
from sklearn.linear_model import LinearRegression
#逻辑回归
from sklearn.linear_model import LogisticRegression
#决策树
from sklearn.tree import DecisionTreeClassifier
#随机森林
from sklearn.ensemble import RandomForestClassifier
#梯度下降
from sklearn.linear_model import SGDRegressor
#KMeans聚类
from sklearn.cluster import KMeans
#KN_k近邻算法
from sklearn.neighbors import KNeighborsClassifier
#朴素贝叶斯
from sklearn.naive_bayes import MultinomialNB –Linear Regression等称为Estimator估计器--
8、检验模型效果
回归：看R方，R方越接近1模型效果越好，模型越稳定 分类：①score评分；②精准率、召回率、F1评分
9、模型调优
①交叉验证网格搜索调参 ②多折交叉验证
