数据分析与机器学习区别

有人经常会把数据分析与机器学习给搞混掉，机器学习这个主题已经很普遍了，每个人都在谈论它，但很少有人能够透彻地了解它，今天老李给大家分享一下机器学习的概念。

数据分析和机器学习

如果你认为大数据仅仅是关于SQL语句查询和海量的数据的话，那么别人也会理解你的，但是大数据真正的目的是通过对数据的推断，从数据中获取价值、从数据中发现有用的东西。例如，“如果我降低5%的价格，我将增加10%的销售量。”

数据分析是最重要的技术，包括如下方面:

描述性分析：确定所发生的事情。这通常涉及到描述发生了什么现象的报告。例如，用这个月的销售额与去年同期进行比较的结果。

特征性分析：解释现象发生的原因，这通常涉及使用带有OLAP技术的控制台用以分析和研究数据，根据数据挖掘技术来找到数据之间的相关性。

预测性分析：评估可能发生的事情的概率。这可能是预测性分析被用来根据你的工作性质、个人兴趣爱好，认为你是一个潜在的读者，以便能够链接到其他的人。

机器学习适合于预测性分析。

一个例子说明什么是机器学习

机器学习是指利用计算机模拟或实现人类的学习行为。那机器是怎么学习的呢？我们就举个相亲的例子。现有一妙龄女郎相亲，候选人有青年 A、B、C 和 D，四个青年的属性分别为：

A：『高，帅，富』

B：『高，帅，穷』

C：『高，丑，富』

D：『矮，丑，富』

经过一番筛选，女子将 [A C D] 分为适合婚恋组，将 [B] 划分为不适合婚恋组。上述就是人类的学习过程。

由于相亲对象实在过多，妙龄女郎相不过来了，于是她找来机器帮忙。首先，她要培训下机器，告诉机器如下信息：

A：属性『高，帅，富』— 标签 『适合婚恋组』

B：属性『高，帅，穷』— 标签 『不适合婚恋组』

C：属性『高，丑，富』— 标签 『适合婚恋组』

D：属性『矮，丑，富』— 标签 『适合婚恋组』

机器一番学习，建立起了「属性」和「标签」的对应关系，这就是机器学习建模过程。现在有青年 E、F、G …… 的属性值，妙龄少女把这堆属性值告诉机器，机器返回哪些是可以继续发展的对象，哪些是淘汰的对象。

这就是 有监督机器学习 ，即告诉机器训练数据的「属性」和「标签」，机器利用某种算法建立「属性」和「标签」的关系，利用该关系，就可以根据新数据的「属性」得到新数据的「标签」，如下图。