第一个极小的机器学习的应用

现在给出一个Web统计信息，他们存储着每小时的访问次数。每一行包含连续的小时和信息，以及该小时Web的访问次数。现在要解决的问题是，估计在何时访问量达到基础设施的极限。极限数据是每小时100000次访问。

1.读取数据：

# 获取数据
filepath = r‘C:\Users\TD\Desktop\data\Machine Learning\1400OS_01_Codes\data\web_traffic.tsv‘
data = sp.genfromtxt(filepath,delimiter = ‘\t‘)
x = data[:,0]
y = data[:,1]

其中，x表示小时，y表示访问量。

2.预处理和清洗数据：

print sp.sum(sp.isnan(y))

结果显示含有8个控值，为了方便，在此处理缺失值办法是直接剔除。

x = x[~sp.isnan(y)]
y = y[~sp.isnan(y)]

接下来，画出散点图，观察数据的规律：

# 可视化，观察数据规律
plt.scatter(x,y)
plt.title(‘Web traffic over the last month‘)
plt.xlabel(‘Time‘)
plt.ylabel(‘Hits/hours‘)
plt.xticks([w*24*7 for w in range(5)],
		   [‘week {}‘.format(i) for i in range(5)])
plt.autoscale(tight = True)
plt.grid()
plt.show()

3 选择正确的模型和学习算法：

回答原始问题需要明确以下几点：

1）找到噪声数据后真正的模型

2）使用这个模型预测未来，一遍解决我们的问题

1.首先需要明白模型与实际数据区别。模型可以理解为对复杂现实世界简化的理论近似。它总会包含一些劣质的类容，这个就叫做近似误差。我们用真实数据与模型预测的数据之间的平方距离来计算这个误差，对于一个训练好的模型f，按照下面函数来计算误差：

def error(f,x,y):
	return sp.sum((f(x)-y)**2)