-
两个框架 得益于两个 Apple 框架：Core ML 和 Create ML，设备上的机器学习变得异常简单。第一个让我们使用机器学习来制作应用程序，第二个让我们使用专用的 Create ML 应用程序创建我们自己的自定义机器学习模型，该应用程序可以拖放整个过程。经过所有这些工作，现在任何人都可以将机器学习添加到他们的应用程序中。
-
两个步骤 Core ML 能够处理各种训练任务，例如识别图像、声音甚至运动。机器学习分两步完成：训练模型，然后要求模型进行预测。训练是计算机查看所有数据以找出我们拥有的所有值之间的关系的过程，在大型数据集中，它可能需要很长时间——很容易是几个小时，甚至可能更长。预测是在设备上完成的：我们向其提供经过训练的模型，它将使用以前的结果来对新数据进行估计。
示例
本例中我们将研究表格回归。这是一个奇特的名字，在机器学习中很常见，但它真正的意思是我们可以在 Create ML 中添加大量类似电子表格的数据，并要求它找出各种值之间的关系。
- 训练
1、在 Mac 上打开 Create ML 应用程序。
看到
选择 文件
第一步是为 Create ML 提供一些训练数据。我已在 BetterRest.csv 中为您提供了此数据，这是 Create ML 可以使用的逗号分隔值数据集，我们的首要任务是导入它。
这是它要查看的原始统计数据，在我们的例子中包含四个值：当某人想要醒来时，他们认为自己喜欢睡多少觉，他们每天喝多少咖啡，以及他们的睡眠时间实际需要。
下一个工作是确定目标，即我们希望计算机学习预测的值，以及特征，即我们希望计算机检查以预测目标的值。例如，如果我们选择某人认为他们需要多少睡眠以及他们实际需要多少睡眠作为特征，我们可以训练计算机来预测他们喝了多少咖啡。
在本例中，我希望您为目标选择“actualSleep”，这意味着我们希望计算机学习如何预测他们实际需要多少睡眠。现在按“选择功能”，然后选择所有三个选项：唤醒、估计睡眠和咖啡 - 我们希望计算机在生成预测时考虑所有这三个选项。
“选择特征”按钮下方是算法的下拉按钮，有五个选项：自动、随机森林、提升树、决策树和线性回归。每种方法都采用不同的方法来分析数据，但有一个“自动”选项可以尝试自动选择最佳算法，这很有帮助。它并不总是正确的，事实上它确实极大地限制了我们的选择，但对于这个项目来说它已经足够好了。
开始训练
导出模型。以便我们可以在代码中使用它。
