Machine Learning 简明教程

Array 是用于在机器学习中存储和处理数据的基本数据结构。可以使用索引访问数组元素。由于数据存储在连续的内存位置并且可以轻松访问，因此它们允许快速的数据检索。

由于我们可以在数组上执行矢量化操作，因此将输入数据表示为数组是一个不错的选择。

使用数组的一些机器学习任务是：

数组易于使用且提供快速索引，但其大小是固定的，这在处理大型数据集时可能成为一种限制。

Lists 是可以使用迭代器访问的异构数据类型集合。它们通常用于机器学习中，用于存储复杂的数据结构，例如嵌套列表、字典和元组。链表提供了灵活性，并且可以处理各种数据大小，但它们由于需要迭代而比数组慢。

Dictionaries 是可以使用键访问的键值对集合。它们通常用于机器学习中，用于存储与数据关联的元数据或标签。字典提供对数据的快速访问，并对创建查找表很有用，但处理大型数据集时它们可能需要大量内存。

链表是由节点集合组成的，每个节点都包含一个数据元素和到列表中下一个节点的引用。它们通常用于机器学习中，用于存储和处理顺序数据，例如时间序列数据。链表提供高效的插入和删除操作，但访问数据时它们比数组和链表慢。

Linked lists 通常用于管理动态数据，其中频繁添加和删除元素。与数组相比，它们不太常见，数组在数据检索过程中更有效率。

Stack 基于 LIFO（后进先出）。可以通过将它分解成几个二元分类问题，来有效实现分类策略，解决多分类问题。这是通过堆叠二元分类的所有输出并将其作为输入传递给元分类器来完成的。

Queue 遵循 FIFO（先进先出）结构，类似于人们排队。此数据结构用于 Multi threading 中，后者用于优化和协调多线程环境中线程之间的数据流。它通常用于处理大量数据，以在训练过程中分批提供数据。为了确保训练过程是持续且有效的。

Trees 是分层数据结构，通常用于机器学习中，用于决策算法，例如决策树和随机森林。树提供高效的搜索和排序算法，但它们实现起来可能很复杂，且容易发生过度拟合。

Binary trees 是分层数据结构，通常用于机器学习中，用于决策算法，例如 decision trees 和 random forests 。树提供高效的搜索和排序算法，但它们实现起来可能很复杂，且容易发生过度拟合。

Graphs 是节点和边的集合，通常用于机器学习中，用于表示数据点之间的复杂关系。诸如邻接矩阵和链表等数据结构用于创建和操作图形。图形为聚类、分类和预测提供了强大的算法，但它们实现起来可能很复杂，并且容易出现可伸缩性问题。

图形广泛用于 recommendation system 、 link prediction 和 social media analysis 。

哈希映射由于其键值存储和检索能力而主要用于机器学习。它们通常用于机器学习中，用于存储与数据关联的元数据或标签。字典提供对数据的快速访问，并对创建查找表很有用，但处理大型数据集时它们可能需要大量内存。

除了上述数据结构外，许多机器学习库和框架还针对特定用例提供了专业数据结构，例如深度学习中的 matrices 和 tensors 。根据数据大小、处理速度和内存使用等因素，为手头任务选择正确的数据结构非常重要。

机器学习算法需要大量数据进行训练和测试。数组、列表和字典等数据结构用于高效地存储和访问数据。例如，数组可用于存储一组数值，而字典可用于存储与数据关联的元数据或标签。

在训练机器学习模型之前，必须对数据进行预处理，以对其进行清理、转换和规范化。诸如列表和数组等数据结构可在预处理期间用于存储和处理数据。例如，可以使用列表过滤掉缺失值，而可以使用数组规范化数据。

特征向量是机器学习模型的关键组成部分，因为它们表示用于做出预测的特征。诸如数组和矩阵等数据结构通常用于创建特征向量。例如，可以使用数组存储图像的像素值，而可以使用矩阵存储文本文档中单词的频次分布。

决策树是一种常见机器学习算法，它使用树数据结构根据一组输入特征做出决策。决策树对分类和回归问题很有用。它们是通过基于信息量最大的特征递归分割数据创建的。树数据结构使遍历决策过程和做出预测变得容易。

机器学习中使用图来表示数据点之间的复杂关系。邻接矩阵和链表等数据结构用于创建和处理图。图用于聚类、分类和预测任务。