預測股市前，先來學學預測模型，但什麼是預測?
預測是預言家神來一筆的告訴我們"明牌"
還是根據資料來有跡可循的推測，未來結果
我想我們絕對不是預言家
但是卻是可以學習如何跟著數據走，去堆測股市的走向，
於是機器學習，就是我們最好的學習方向
機器學習的基礎術語 Machine Learning
假設我們要撰寫個關於"垃圾信件分類 spam" 和 "非垃圾分類no spam"，這個就是"標籤label"，也就是我們想要預測的結果，"輸出變數output variable"，亦稱之為目標變數"target variable", "應變數dependent variable" or"醒應變數response variable"
那每一筆信件都是我們的"輸入變數input"
而信件的內容，含有我們想要找出來"預測結果"，所需要的"特徵features"，
然而我們可以將資料先行收集好後，每一筆資料我們稱之為"樣本sample"
機器學習的流程
將"樣本sample"收集後，分類成沒被AI看過的"測試集test set" & 給AI訓練用的"訓練集training set"
AI訓練的過程中，我們使用"訓練集training set"，來最小化"cost funton" or "error rate"，或更積極地說，要提高"value funtion"
然後用沒被AI看過的"測試集test set"，評估訓練過程的結果與進度
"輸入變數input" -> "Machine learning" -> "ML Model"
機器學習的分類
以信件分類為例，若是給予既定的篩選條件"銀行"，"購物"等字眼，讓程式依照出現這些關鍵字去分類信件，這是基於規則式的系統，
問題是我們得時常去維護"規則"
但是若是用機器學習，則是餵與實際的信件，讓他自行學習與分類，訓練成模型，並讓該模型自行正確的分類信件
其中機器學習可以分成
1.監督式學習-是指我們餵給訓練模型的資料內，含有"標籤label"，也就是先讓模型知道我們要的是什麼，但缺點也是，若我們沒要標籤的資料，新的垃圾信件，就有可能無法辨識
"輸入變數input" with "標籤label" -> "Supervised learning" -> "ML Model"
2.非監督式學習-先不標註資料是什麼，讓machine自行去分類，這樣才有可能隨著資料的演進，垃圾信件的變化，machine都有可能學會好的分類，
"輸入變數input" without "標籤label" -> "UnSupervised learning" -> "ML Model"
3.半監督式學習-則是兼顧上述兩種學習方式
Reference
留言列表
