目标导向

机器学习

1.先看是分类问题还是回归问题（分类就先从常用的分类模型里选择）

2.其次，看数据特征的数据类型，然后做一些初步的数据统计，比如是否数据均衡，大致的数据分布是怎样的（不同类别的分布）

3.然后判断用哪个比较合适一些，是树模型还是其他的分类模型。

4.最后查看kaggle比赛有没有相似案例，别人做的方法有没有值得自己学习的地方

深度学习

对于深度学习算法选择也是看任务目标选择合适的模型，图像类首选cnn及各种cnn的变种，时间顺序相关的选rnn ，生成类的选vae或gan，有明确规则的选rl。

分类（Classification）和预测（Prediction）的理解，主要步骤有哪些，以及两者的区别和联系

一、介绍

分类：输入样本数据，输出对应的类别，将样本中每个数据对应一个已知属性。

预测：两种或者两种以上的变量之间相互依赖的函数模型，预测给定自变量对应的因变量的值。

二、步骤

分类算法分为两步：

(1)学习步：通过训练样本数据集，建立分类规则

(2)分类步：用已知的测试样本集评估分类规则的准确率，若准确率可接受，则是使用该规则对除样本以外的数据(待测样本集)进行预测。

预测算法分两步：

（1）我们先要基于一定数量的样本来训练出一个训练模型；

（2）为了判断这个模型训练的如何，我们还要对其进行检测一下；

（3）如果测试的样本数据与我们想象中的差别太大，那么我们就要重新进行训练这个预测模型，但是如果我们的预测模型符合我们的预先的期望，那么我们就可以用这个模型进行预测的操作.

三、区别

特征

1.分类

2.回归预测

输出类型

1.离散数据

2.连续数据

目的

1.寻找决策边界

2.找到最优拟合线

评价方法

1.精度、混淆矩阵

2.SEE(sum of square errors)或拟合优度

四、联系

分类算法可以预测连续值，但是连续值是以类标签的概率的形式。

预测算法可以预测离散值，但离散值以整数形式表示。

原文链接：https://blog.csdn.net/Datawhale/article/details/88316122