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

监督学习一般使用两种类型的目标变量：标称型和数值型。
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；
/ G" k& F/ s+ h# E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。
, e7 E, d) F1 \7 ?3 c8 l
) x+ R1 y! ~. s( C3 t& U' q3 V《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

第一章 机器学习基础
' N2 Z" x9 Y& Q/ U机器学习基本概念
' L# i: Y6 F7 _7 R2 E! n: b3 G" _7 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。
+ b# M( A9 D9 x( L
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

0 @9 E8 }8 r8 V& K$ K9 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。
1 B" L& o- b. w* I; V2 G! d
7 Y) P4 T' J- J, N% R, 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
监督学习        用途
# w9 S1 V5 w' J) O' Q$ v) {+ lk-近邻算法        线性回归
5 _, R1 L! q- Q) x/ D% O朴素贝叶斯        局部加权线性回归
支持向量机        Ridge回归
. [7 W- j3 E$ D" e' U5 _1 ?- o, t% ~决策树        Lasso最小回归系数估计
无监督学习        用途
K-均值        最大期望算法
DESCAN        Parzen窗设计
Python语言用于机器学习的优势
9 |* I4 j7 v, f- j! s  D4 Qpython语言语法清晰；
1 P, h  C2 e8 `1 h$ S2 I9 @8 |易于操作纯文本文件；
! A+ H8 M: V0 \: B! j0 m使用广泛，存在大量的开发文档。
- O# ^( R7 P1 _& {' Z————————————————
3 Q4 g( L, ]  i5 B) d; i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。
原文链接：https://blog.csdn.net/weixin_43098506/article/details/126739013


9 n7 {; e+ N; A0 O