机器学习概述

一.基本概念

1. 有监督学习

   对具有概念标记（分类）的训练样本进行学习，以便尽可能对训练样本集外的数据进行标记（分类）预测。这里，所有的标记（分类）是已知的。

   样本已知

2. 无监督学习

   对没有概念标记（分类）的训练样本进行学习，以便发现训练样本集中的结构性知识。这里，所有的标记（分类）是未知的。因此，训练样本的歧义性高。聚类就是典型的无监督学习。

   样本未知

3. 准确率与召回率：

   召回率也叫查全率，准确率也叫查准率。

二.数据集

1. KDD 99数据

   KDD是知识发现与数据挖掘（Knowledge Discovery and Data Mining）

2. HTTP DATASET CSIC 2010

   包含大量标注过的针对Web服务的36000个正常请求以及25000个攻击请求，攻击类型包括sql注入、缓冲区溢出、信息泄露、文件包含、xss等，被广泛用于WAF类产品的功能评测

3. SEA数据集

4. ADFA-LD数据集

   主机级入侵检测系统的数据集合

5. Alexa域名数据

   Alexa是当前拥有URL数量最庞大、排名信息发布最详尽的网站。

6. Scikit-Learn数据集

   最常见的是iris数据集。

7. MNIST数据集

   入门级的计算机视觉数据集

8. Movie Review Data

   包含1000条正面的评论和1000条负面的评论，用于文本分类，恶意评论识别方面

9. SpamBase数据集

   入门级的垃圾邮件分类训练集、

三.特征提取

常见数字型和文本型

1.数字型特征提取

​ 数字型特征可以直接作为特征，多于一个多维的特征，某一个特征的取值范围特别大，很可能导致其他特征对结果的影响被忽略。

预处理的方式

1. 标准化

2. 正则化

3. 归一化

2.文本特征提取

文本数据提取特征相对于数字型要复杂的多，本质上是做单词的切分，不同单词当作一个新的特征

两个非常重要的模型

词集模型：单词构成的集合，集合中每个元素都只有一个，即词集中的单词只有一个

词袋模型：如果一个单词在文档中不止出现一次，统计其出现的次数