随着科技的发展，机器学习越来越走进我们的日常生活中，在普通人眼里机器学习是一门重算法，数学公式复杂的高门槛职位，笔者也深入研究这块，接下来从一个学习小白的角度讲述一个完整的机器学习案例，方便很多像笔者这样在机器学习门外徘徊很久的爱好者能登堂入室，打开神秘的机器学习大门。

一、概念

1. 机器学习：专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，以辅助人类决策。
2. 机器学习分类：监督学习、非监督学习、半监督学习，他们的区别如下：监督学习就是按照你提供的输入输出关系找到里面的规律；非监督学习是给你一堆数据，你自己通过各种算法去找到规律；半监督学习正好处于两者之间；举个例子来说就是监督学习是按照老师教的去学习，非监督学习是自学，半监督学习是跟同学一块学习，里面的涵义读者朋友可以好好体会下。

二、实践

接下来我们将以一个监督学习的案例打开机器学习之旅。基本的业务是这样的：前提条件是体重是由性别和身高决定的，但具体的关系我们不是很清楚，这个时候我们通过一份既有的性别、身高和体重的关系表，根据这张关系表训练处一个模型，进而可以根据性别、身高来预测体重。

1. 首先我们需要处理好数据，也就是我们需要训练的机器学习的每一列数据，避免出现异常、缺失值、数据的数量级弄错等情况。
   
2. 根据测试数据选择相应的训练模型，我们这里是通过机器学习中的线性回归作为我们的训练模型，这个过程最主要是选择训练模型，也就是算法，最终预测结果准不准确，主要还是看这个，当然因变量和自变量的选择也很关键，为什么只选择性别和身高呢，而不选择年龄，其实背后还是有很多前期的调研和逻辑论证的。
   
3. 运用我们训练出来的模型预测数据。通过上面一步，我们基本上已经把模型训练出来，接下来是检验模型的时候，我们验证的方法很简单，就是通过模型预测的结果跟表中实际的值去比较。
   
   由于我们预测的是男性身高为172厘米的时候体重的范围，为了规避异常数据，我们从表格中取男性[171,173]之间的平均值，通过下面的数据基本上还是挺准确的，表格中数据如下：
   
   当然通过一次预测是说明不了什么问题的，读者朋友可以多试验几次，通过比较，我们大概知道我们模型预测的准确性如何。

以上项目的源代码和数据生成文件，可以查看文末参考文献github上项目源代码，欢迎读者朋友们互相交流学习。

参考文献
1.Github机器学习项目源代码
2.机器学习中三大学习类别