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

1 R( a$ m* u  l7 o$ @  O, J监督学习一般使用两种类型的目标变量：标称型和数值型。
- z" F1 X7 R" s# G4 T/ p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。

' G. T# D' O/ d7 y# h' B: T《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
% U# X5 n& U7 L& i2 H1 p/ T+ J
) {' |0 Q" P  X% L! U第一章 机器学习基础
" V7 G7 i: ~- r6 P- j3 d" x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。
$ U1 l! q( B( h& w
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
: i3 {. w" y6 F( G
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。
9 s. i( ~$ b; j% D. \
% T& i. R+ {4 H5 [" a( Z9 m用于执行分类、回归、聚类和密度估计的机器学习算法列表
+ O$ S' O2 E1 z# ?0 B1 n5 _! D% Q监督学习        用途
  U" `# g+ ], b4 k' B5 zk-近邻算法        线性回归
朴素贝叶斯        局部加权线性回归
! @* n  Y. P! S) X* X( u支持向量机        Ridge回归
决策树        Lasso最小回归系数估计
" f, q: @1 m/ G- C; f无监督学习        用途
- ~9 t: S+ o4 d9 `, hK-均值        最大期望算法
3 k  M# c8 }1 b4 K" B$ iDESCAN        Parzen窗设计
Python语言用于机器学习的优势
; h. G- Z) ]6 H- i( K( X% X  Ypython语言语法清晰；
- ~0 {- o* c" w* G+ k- u易于操作纯文本文件；
: o) B! ~7 u* L( W1 g5 u# O3 X使用广泛，存在大量的开发文档。
! [2 H, A* `/ o& p4 T. v7 N& ~; j" r( D————————————————
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
8 N6 L9 [" J, ^" v0 @
! A/ v4 k% t6 ^3 s, G2 v0 I
: X/ {; \+ S4 M7 B( N% _- V* z; l