机器学习简介
机器学习技术不断进步，应用广泛，例如，推荐引擎，定向广告，需求预测，垃圾邮件过滤，医学诊断，自然语言处理，搜索引擎，欺诈检测，证券分析，视觉识别，语音识别，手写识别等
机器学习架构
机器学习是指通过算法，使用历史数据进行训练，训练完成后会产生模型，未来有新的数据提供时，我们可以使用训练产生的模型进行预测。
· 训练阶段数据组成 ： Feature 、Label
训练数据是过去积累的历史数据，可能是文本文件，数据库或其他来源，经过Feature Extraction 特征提取，产生Feature和Label，然后经过机器学习算法的训练后产生模型。
Feature：数据特征，
Label： 数据的标签，也是我们希望预测的目标答案
· 预测阶段：
新输入数据，经过Feature Extraction特征提取 产生Feature，使用训练完成的模型进行预测，最后产生预测结果。
机器学习分类
机器学习分类分为 有监督的学习和无监督的学习两大类。
机器学习分类图
机器学习程序运行流程图
数据准备阶段
原始数据经过数据转换，提取特征字段与标签字段，产生机器学习所需要的格式，然后将数据以随机方式分为3部分（trainData，validationData, testData）并返回数据，提供给下一阶段训练评估使用
trainData： 用于训练，通过机器学习算法产生模型。
validationData： 用于对模型进行准确率的验证，进行反复多次的验证，从而产生bestmodel。
testData ：用于对最佳模型bestmodel进行再次测试。
训练评估阶段
使用traindata数据进行训练并产生模型，然后使用validationdata 验证模型的准确率。这个过程要重复很多次才能找出最佳的参数组合，评估方式：二元分类使用AUC ， 多元分类使用accuracy ， 回归分析使用RMSE，训练评估完成后， 会产生最佳模型 bestModel
测试阶段
之前阶段产生了最佳模型bestmodel 我们会使用另外一组数据testdata再次测试，以避免 overfitting 问题，如果训练评估阶段准确度很高，但是测试阶段准确度很低，代表可能存在 overfitting 问题，如果测试与训练评估阶段的结果准确度差异不大，代表无 overfitting 问题
预测阶段
新输入数据，经过Feature Extraction 特征提取 产生 Feature，使用训练完成的最佳模型bestmodel 进行预测， 最后产生预测结果