用于执行分类、回归、聚类和密度估计的机器学习算法列表

杨利霞

用于执行分类、回归、聚类和密度估计的机器学习算法列表

  H  _: [% j) t$ ]/ ?监督学习一般使用两种类型的目标变量：标称型和数值型。
8 \3 t) n$ z" `1 z3 U2 A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；
- u% k1 j+ K! h$ j% b2 {- q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。

2 `" T  D, R- N+ Y: h《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
# J1 L! b! N2 h3 [3 C; O; M; ~
第一章 机器学习基础
机器学习基本概念
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。

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

+ Q" u+ R) o( `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。

! w8 z) b, h/ @- T用于执行分类、回归、聚类和密度估计的机器学习算法列表
4 B( J9 u% Z; q0 `5 q9 V监督学习        用途
k-近邻算法        线性回归
7 c  G# q) k6 u3 n朴素贝叶斯        局部加权线性回归
支持向量机        Ridge回归
决策树        Lasso最小回归系数估计
: X! t: l( v4 [& ]无监督学习        用途
K-均值        最大期望算法
6 w1 |, f$ L1 D9 x' Q9 [+ eDESCAN        Parzen窗设计
Python语言用于机器学习的优势
/ p/ o% n7 ]6 l& cpython语言语法清晰；
易于操作纯文本文件；
使用广泛，存在大量的开发文档。
8 s3 E3 z8 F& n2 \" M5 G3 {) @————————————————
4 T: t2 f- J+ n6 \& g7 @$ w( V- Q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。
& n3 p- \: s: a- x( B6 S+ L原文链接：https://blog.csdn.net/weixin_43098506/article/details/126739013


. b1 Q+ s' [8 ^/ z& H