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。
7 H* V- o! `! u0 Y6 x5 b6 u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；
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。
% S# q1 ^6 J! P0 i* I) W/ K
《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
1 {; t' B- ]  ~& F
* m2 V0 K# `- f. `% z( J' j第一章 机器学习基础
6 C  D1 b0 N$ q- `' q+ |7 j0 J% B机器学习基本概念
. I) |+ [' v4 t6 `2 A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。

0 m" d+ B' B) [$ Q3 O' O* v/ p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

& s. b( B- V7 L/ G; T- n7 Y2 x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 m5 `) h  I& n$ C. q# o  U用于执行分类、回归、聚类和密度估计的机器学习算法列表
+ R( m* k- r$ x, I* U' @3 H! w监督学习        用途
$ n+ r7 L9 X- {. J! p: Y) ~; Pk-近邻算法        线性回归
+ a' Z* C% b3 k朴素贝叶斯        局部加权线性回归
% i/ `+ U- S9 u- M9 M2 v支持向量机        Ridge回归
决策树        Lasso最小回归系数估计
无监督学习        用途
- h" L& Z) c# m7 g. DK-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
python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。
3 B. p1 x0 B( H: l. f# r8 _+ p————————————————
. h/ _( C3 P9 X% 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。
原文链接：https://blog.csdn.net/weixin_43098506/article/details/126739013

" R% w. r6 I0 R6 Z- h# t3 F$ n