未完待续……
目录
tips：这里只是总结，不是教程哈。
“***”开头的是给好奇心重的宝宝看的，其实不太重要可以跳过。
此处以下所有内容均为暂定，因为我还没找到一个好的，让小白（我自己）也能容易理解（更系统、嗯应该是宏观）的讲解顺序与方式。
第一文主要简述了一下机器学习大致有哪些东西（当然远远不止这些），对大体框架有了一定了解。接着我们根据机器学习的流程一步步来学习吧，掐掉其他不太用得上我们的步骤，精练起来就4步（数据预处理，特征工程，训练模型，模型评估），其中训练模型则是我们的重头戏，基本上所有算法也都是这一步，so，这个最后写，先把其他三个讲了，然后，在结合这三步来进行算法的学习，兴许会好点（个人拙见）。
其实数据预处理和特征工程，两者并无明显的界限，都是为了更好的探索数据集的结构，获得更多的信息，将数据送入模型中之前进行整理。可以说数据预处理是初级的特征处理，特征工程是高级的数据预处理，也可以说这里的预处理过程是广义的，包含所有的建模前的数据预处理过程。（简单理解，就是数据预处理是数据本身的问题，如数据缺失，特征工程是为了更好的让数据进行机器学习，如进行降维）
为什么需要特征工程？
数据和特征决定了机器学习的上限，而模型和算法只是逼近这个上限而已。所以需要在特征上下功夫。
特征工程是使用一定技巧处理数据，使得特征能在机器学习算法上发挥更好的作用的过程。会直接影响机器学习的效果。
特征提取（特征抽取）、特征预处理、特征降维
（基本上==特征构建、特征变换、特征选择）
将任意数据（如文本或图像）转换为可用于机器学习的数字特征。
注：特征值是为了计算机更好的去理解数据。
主要分为字典特征提取（特征离散化）、文本特征提取、图像特征提取（深度学习再介绍）
特征提取API是
sklearn.feature_extraction
from sklearn.feature_extraction该
该
通过一些转换函数，将特征数据转换成更适合算法模型的特征数据的过程。
数值数据的无量纲化：主要有两种归一化、标准化
为什么要进行归一化/标准化？
特征的单位或者大小相差较大，或者某特征的方法相比其他的特征要大出几个数量级，容易影响（支配）目标结果，使得一些算法无法学习到其它的特征
该
该
降维是指在某些限定条件下，降低随机变量（特征）个数，得到一组“不相关”主变量的过程。
降维的两种方式：特征选择、主成分分析（可以理解一种特征提取的方式）
该
该
嗡嗡嗡
嗡嗡嗡
提示：这里对文章进行总结：
例如：以上就是今天要讲的内容，本文仅仅简单介绍了pandas的使用，而pandas提供了大量能使我们快速便捷地处理数据的函数和方法。