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
9 K3 h4 m) m, |) k) z2 }
监督学习一般使用两种类型的目标变量：标称型和数值型。
9 V2 E8 ?1 X4 |  \) v4 c: U' 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；
, H- Y/ i' _  u! C7 O: b- A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。

. X& g6 q  @" H# x' G7 j8 x% d9 \《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
% y% l9 v* r& L. Z' h% R
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。
3 G3 P# e0 ^; m2 _3 E
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
5 b4 D# q" ]8 d% |6 M  m3 }( P
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。
. _# F( _" q6 ^
9 V. N" n; @/ l. K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
4 a7 l$ ?% d% i3 m3 [1 P7 j$ R, w. d& ek-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
  r0 u8 Q# E. m! J0 F9 H决策树        Lasso最小回归系数估计
4 d7 ]  P( e5 i( ^6 {' U) }, z无监督学习        用途
9 R6 A6 o5 l& f0 x7 @0 r) lK-均值        最大期望算法
+ m# ?' R0 R8 s# pDESCAN        Parzen窗设计
Python语言用于机器学习的优势
( g8 t8 J, P6 Y4 \0 g2 Vpython语言语法清晰；
2 P! h+ g1 W& Z& ^易于操作纯文本文件；
使用广泛，存在大量的开发文档。
  g' T" C& b& }" O" 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。
7 u6 J, D6 {% y" K4 |# G原文链接：https://blog.csdn.net/weixin_43098506/article/details/126739013
) ]* f% V& g4 K1 w) ^( M( K
- {. e2 D7 t/ N2 O
* p# d" }" Y3 `$ W