数学建模社区-数学中国
标题:
用于执行分类、回归、聚类和密度估计的机器学习算法列表
[打印本页]
作者:
杨利霞
时间:
2022-9-8 10:24
标题:
用于执行分类、回归、聚类和密度估计的机器学习算法列表
用于执行分类、回归、聚类和密度估计的机器学习算法列表
% I% _1 [1 d8 U& ?* _
" h6 K( G4 p9 _& @1 |
监督学习一般使用两种类型的目标变量：标称型和数值型。
9 \6 v1 N& `1 D. N3 F1 C
标称型目标变量的结果只从有限目标集中取值，主要用于分类；
3 p6 Z) {, N% |
数值型目标变量从无限的数值集合中取值，主要用于回归分析。
7 B" o6 r$ ^- _4 l! f, k
' v' H2 {' `+ g: o" [
《机器学习基础》 一书因为与我在PolyU的研究生课程COMP Machine Learning课程安排完全吻合，所以开启学习之旅，用于预习复习，并记录笔记于此。7/9/22
/ G" C. N+ _; y$ t
2 F6 n0 q- h9 N; ~; [( {
第一章 机器学习基础
- r2 j$ r6 v5 k i+ r7 e' M% k& ]
机器学习基本概念
% t% N+ q1 S5 |& }. h: h8 n
机器学习就是把无序的数据转换成有用的信息。我们会利用计算机来彰显数据背后的真实含义。
E* a1 T9 d" `7 ]
, O5 e- A+ ?" g0 k G, P! {1 N' G
几个概念词：特征/属性，属性值，训练，训练集，目标变量，训练数据，测试数据，概念含义记录在博客：https://blog.csdn.net/weixin_43098506/article/details/126716645
- }7 J! o9 v7 o
6 i$ D; O' N7 e8 z( B. K/ P
分类：当机器学习程序开始运行时，使用训练样本集作为算法的输入，训练完成之后输入测试样本。输入测试样本时不提供测试样本的目标变量，由程序决定样本术语哪个类型。比较测试样本预测的目标变量值与实际样本类别之间的差别，就可以得出算法的实际精确度。
$ n5 b- g! ?& U; f ^
. y) Y; \" S* y7 X* [* Y. j5 v' c+ y9 Q
用于执行分类、回归、聚类和密度估计的机器学习算法列表
) \" v8 x2 y. h
监督学习 用途
* z' f* z1 u3 n# |( M
k-近邻算法 线性回归
2 A- C$ I$ _- Y- B3 X8 x# d& G
朴素贝叶斯 局部加权线性回归
# g" c. n+ j9 e$ T1 U5 j! }0 u2 I( m
支持向量机 Ridge回归
1 d0 x+ k4 J3 F' M
决策树 Lasso最小回归系数估计
- _' E$ A9 m3 c! N/ w8 [
无监督学习 用途
! z3 ]! u* D- E/ n: a; T h
K-均值 最大期望算法
: ^3 j- I/ l" U3 e! K; H! v
DESCAN Parzen窗设计
* z( ~0 }3 D: K7 T- a- D) b O2 |
Python语言用于机器学习的优势
: C: Q* j. u, y( L1 }; D* Y9 u
python语言语法清晰；
5 \6 i9 D9 h7 C" q1 H# X' c* |9 G1 K
易于操作纯文本文件；
. u3 _/ E1 W: A- I: b( J
使用广泛，存在大量的开发文档。
- ?$ i a8 B5 o+ J. B+ c! i4 [
————————————————
0 `2 \3 Z' y* g; H3 _4 ]
版权声明：本文为CSDN博主「脚踏实地的大梦想家」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
( ~. f, d7 j5 p: a% V( [
原文链接：https://blog.csdn.net/weixin_43098506/article/details/126739013
9 O+ ]5 l1 `: d. e# ^; ]) I' t+ T
# ^) z. i! g" r8 M" r
# R4 K: ]7 E% Y1 N! r+ o5 i/ \+ N
欢迎光临 数学建模社区-数学中国 (http://www.madio.net/)
Powered by Discuz! X2.5