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' Z. @' X0 K+ y
0 _) p% H/ d/ N1 W8 x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；
$ u: S! q: {9 V2 F$ x: f2 W+ o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。

《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
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。
, Q) Q! x" ]& J+ m2 M
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

  }' z" |+ C' I& _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。
. U9 Q! B: d+ [$ g
. ~* e% m' r2 D用于执行分类、回归、聚类和密度估计的机器学习算法列表
  \7 c1 |1 O4 B; A6 t9 W监督学习        用途
) U) j& p" W, E. i1 l1 }0 g6 {k-近邻算法        线性回归
  N. ]( ~$ K5 g8 m朴素贝叶斯        局部加权线性回归
  |9 r: q# x% k- E支持向量机        Ridge回归
6 o" [) }: z1 v决策树        Lasso最小回归系数估计
无监督学习        用途
7 h" `5 g4 ^3 b. Y, u* DK-均值        最大期望算法
DESCAN        Parzen窗设计
+ X6 h: t$ J4 ^7 g2 MPython语言用于机器学习的优势
+ a! `+ {7 e, D' P7 E" n7 |python语言语法清晰；
" a* |" @% L( O2 Z# _5 b易于操作纯文本文件；
使用广泛，存在大量的开发文档。
————————————————
& k1 a$ d- r1 R- D0 S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
' Z* v9 I/ g# Z+ t
7 s  z* u8 c; R4 E
( n' e$ m7 j, j+ ?* u