# 温和地介绍预测建模 > 原文： [https://machinelearningmastery.com/gentle-introduction-to-predictive-modeling/](https://machinelearningmastery.com/gentle-introduction-to-predictive-modeling/) 当你是一个绝对的初学者时，它会非常混乱。令人沮丧的是。 当您第一次遇到它们时，即使是回想起来如此简单的想法也是陌生的。有一种全新的语言需要学习。 我最近收到了这个问题： > 因此，如果我从花园采摘一朵花，那么使用[虹膜练习](http://machinelearningmastery.com/how-to-run-your-first-classifier-in-weka/)作为一个例子我将如何使用该算法来预测它是什么？ 这是一个很好的问题。 在这篇文章中，我想对预测建模进行温和的介绍。  预测建模基础知识 [Steve Jurvetson](https://www.flickr.com/photos/jurvetson/2542450115/) 的照片，保留一些权利。 ## 1.样本数据 数据是有关您正在处理的问题的信息。 想象一下，我们想要从花的尺寸来识别花的种类。 数据由以厘米为单位的四个花测量值组成，这些是数据列。 每行数据都是已经测量过的花的一个例子，它是已知的物种。 我们要解决的问题是从样本数据中创建一个模型，该模型可以告诉我们花朵属于哪个物种。  虹膜花数据样本 ## 2.学习模型 上述问题称为监督学习。 监督学习算法的目标是获取具有已知关系的一些数据（实际花卉测量和花的种类）并创建这些关系的模型。 在这种情况下，输出是一个类别（花种），我们称这种类型的问题是分类问题。如果输出是一个数值，我们称之为回归问题。 该算法进行学习。该模型包含学习的关系。 模型本身可能是少数数字以及使用这些数字将输入（以厘米为单位的花测量）与输出（花的种类）相关联的方式。 在我们从样本数据中学习之后，我们希望保留模型。 [](https://3qeqpr26caki16dnhd19sv6by6v-wpengine.netdna-ssl.com/wp-content/uploads/2015/09/Create-a-Predictive-Model.png) 根据训练数据和算法创建预测模型。 ## 3.做出预测 我们不需要热衷于训练数据，因为模型已经总结了其中包含的关系。 我们保持从数据中学习模型的原因是因为我们想用它来进行预测。 在这个例子中，我们通过测量不知道物种的特定花来使用该模型。 我们的模型将读取输入（新测量），用它的内部数字执行某种计算，并预测它恰好是哪种花。 预测可能并不完美，但如果您拥有良好的样本数据和从该数据中学习的稳健模型，那么它将非常准确。  使用该模型对新数据进行预测。 ## 摘要 在这篇文章中，我们对预测建模进行了非常温和的介绍。 我们研究的预测建模的三个方面是： 1. **样本数据**：我们收集的数据描述了输入和输出之间已知关系的问题。 2. **学习模型**：我们在样本数据上使用的算法，用于创建我们以后可以反复使用的模型。 3. **制作预测**：将我们学习的模型用于我们不知道输出的新数据。 我们使用基于花卉测量来分类植物物种的实例。 这实际上是机器学习中[着名的例子](https://en.wikipedia.org/wiki/Iris_flower_data_set)，因为它是一个很好的干净数据集，问题很容易理解。 ## 行动步骤 花一点时间，真正了解这些概念。 它们是您在机器学习中可能做的任何思考或工作的基础。 您的行动步骤是考虑三个方面（数据，模型，预测）并将它们与您想要处理的问题联系起来。 如有任何问题，请在评论中提问。我在这里帮忙。