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
* U$ y: Y6 V; \) Y8 B- n& s
3 f) b3 a7 z6 _+ p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；
* s' S, \. L% o8 H5 s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# i/ s, t2 ?' y
《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

" J/ _, R. c+ k3 G( i& k+ Z2 K3 `* l第一章 机器学习基础
5 F- ]5 g& `6 ], s7 }* ]4 x: F5 G7 ]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。

, w1 g  J) S: E. {' F$ G1 J( H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
% L5 t( A4 V. I& F6 f9 D, q, Q: z6 a
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。

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! a/ ]- l7 |监督学习        用途
k-近邻算法        线性回归
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
无监督学习        用途
K-均值        最大期望算法
4 m5 e4 H2 h5 w% G" q9 `, }1 hDESCAN        Parzen窗设计
# _7 R3 i% W8 [Python语言用于机器学习的优势
python语言语法清晰；
( w% l9 R/ P- c; Q1 z9 `易于操作纯文本文件；
9 i7 h) F% S$ N! Q7 [使用广泛，存在大量的开发文档。
5 R/ A; p. I' M4 S3 z9 L, ^————————————————
6 q: i6 }; M- M8 n2 G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


$ y: Q6 u" o; M. Q9 i+ B