笔者邀请您，先思考：

1您怎么理解机器学习？

关于机器学习

我们都知道机器学习是关于处理数据的，但它也可以被看作是：

通过浏览数据内部信息来查找数据中的规律的艺术。

预测模型的一些背景

有几种类型的预测模型。 这些模型通常有几个输入列和一个目标或结果列，这是要预测的变量。

所以基本上，一个模型执行输入和输出之间的映射，发现神秘的，有时是输入变量之间的关系，以预测任何其他变量。

正如你可能注意到的那样，它与一个读取环境=>处理信息=>并执行特定操作的人有一些共同点。

那么这篇文章是关于什么的？

这是关于熟悉最常用的预测模型之一：随机森林（官方算法网站），在R中实现，它是最常用的模型之一，因为它在调优方面很简单并且可以处理许多不同类型的数据。

如果你以前从未做过预测模型，那么这可能是一个很好的起点;）

不要迷失在森林里！

其背后的基本思想是构建数百甚至数千个简单且不太稳健的模型（也称为决策树），以便具有较少偏见的模型。

但是如何？

这些决策树模型的每个“微小”分支都将只看到整个数据的一部分，以产生他们的基本预测。 所以随机森林模型产生的最终决策是所有决策树投票的结果。 就像民主一样。

什么是决策树？

您已经熟悉决策树的输出：它们产生IF-THEN规则，例如，如果用户有五次以上的访问，他或她可能会使用该应用程序。

放在一起
如果一个随机森林有三棵树（通常是500多棵）并且有新客户到达，那么如果“两棵树”预测“是”，则预测所述客户是否会购买某种产品将是’是’。

拥有数百个意见 – 决策树 – 往往会在随机森林中产生更准确的结果。

但不要惊慌，以上所有内容都被封装给数据科学家。

有了这个模型，您将无法轻松知道模型如何为每个输入案例分配高概率或低概率。 它更像一个黑盒子，类似于神经网络的深度学习，其中每个神经元都对整体有贡献。

您可以使用来自blopig.com和datascienceplus.com中基于R的两个友好的随机森林教程来实践。

什么语言方便学习机器学习？

如果你想开发你自己的数据科学项目，你可以从R开始。它有一个庞大的社区，你可以从中学习（和分享）。 这并不总是只是一个复杂的算法问题，而是当事情没有如预期那样得到支持时。

这经常发生在你做新事物时。

最后，一些关于社区支持的数字

尽管R（以及Python与pandas和numpy）有很多包，库，免费书籍和免费课程，但请检查这些指标：在stackoverflow.com中有236,000多个问题，另有约18,000个在stats.stackexchange .com标有R（截至2018年5月）。

R社区增长很多！
在我发布 https://auth0.com （2016年12月）时，在stackoverflow上有16万个问题。

现在，236,000个问题在短短一年半的时间里就增长了47％！

原文链接：
https://blog.datascienceheroes.com/introduction-to-machine-learning-for-non-developers/

版权声明：作者保留权利，严禁修改，转载请注明原文链接。

您有什么见解，请留言。

文章推荐：

1 【机器学习】R做线性回归

加入数据人圈子或者商务合作，请添加笔者微信。

数据人网是数据人学习、交流和分享的平台http://shujuren.org 。专注于从数据中学习到有用知识。
平台的理念：人人投稿，知识共享；人人分析，洞见驱动；智慧聚合，普惠人人。
您在数据人网平台，可以1）学习数据知识；2）创建数据博客；3）认识数据朋友；4）寻找数据工作；5）找到其它与数据相关的干货。
我们努力坚持做原创，聚合和分享优质的省时的数据知识！
我们都是数据人，数据是有价值的，坚定不移地实现从数据到商业价值的转换！

点击阅读原文，进入数据人网，获取数据知识。

公众号推荐：

链达君，专注于分享区块链内容。

数据科学与人工智能，专注于分享数据科学与人工智能的内容。