1.6　本章小结

本章从宏观角度探讨了机器学习，让你对全局和主要概念有所了解，后续章节将会探讨更多的细节。在本章中，我们了解到监督学习有分类与回归两个重要分支。分类模型为对象分配已知的分类标签，回归分析模型可以预测目标变量的连续结果。无监督学习不仅为发现未标记数据中的结构提供了有用的技术，而且对特征预处理过程中的数据压缩也很有用。

本章简要讨论了应用机器学习技术解决问题的典型路线图，为后续章节深入讨论和动手实践奠定了基础。最后，我们搭建了Python环境，安装并更新了所需要的软件包，为执行机器学习的示例代码做好了准备。

除了机器学习本身，本书后续还将引入不同的数据集预处理技术，这将有助于从不同的机器学习算法中获得最佳性能。除了广泛讨论分类算法以外，本书还将探索回归分析和聚类的不同技术。

阅读本书是一段激动人心的旅程，书中涵盖了机器学习领域的许多强大技术。阅读各个章节，可以循序渐进地掌握相关知识，逐步深入地了解机器学习。我们将在下一章介绍早期机器学习分类算法的实现，这也将为第3章做好准备。第3章将覆盖更多使用开源scikit-learn机器学习软件库的高级机器学习算法。

[1]The Lack of A Priori Distinctions Between Learning Algorithms, D. H. Wolpert, 1996; No free lunch theorems for optimization, D. H. Wolpert and W. G. Macready, 1997.