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 g3 J4 p1 r" o6 Y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；
, T* f6 R) e: U6 z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

, T! k% v% [. T: H8 \第一章 机器学习基础
机器学习基本概念
3 k1 s8 [# E6 y! l7 G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。
  e; B2 a5 P" G: F
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
7 Z. o+ Z$ b# V0 B* \/ y
+ U) m) l3 t0 q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。
5 |% p* _+ h# `
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
1 o& p) W' D! |- T( n# ck-近邻算法        线性回归
& p7 q; Q3 t7 o; X$ e, b" t9 u% @朴素贝叶斯        局部加权线性回归
1 R. w0 G* _8 c5 E) E支持向量机        Ridge回归
9 k, `. b9 l  @/ o4 }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
DESCAN        Parzen窗设计
Python语言用于机器学习的优势
) m& M! E: Z+ H5 g4 m/ q' s/ hpython语言语法清晰；
4 d# {" k0 l  Q$ s& A易于操作纯文本文件；
+ c  W! G/ g) c* c2 K1 z使用广泛，存在大量的开发文档。
————————————————
* c; a( h5 A, a. I, `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。
4 i6 `! C5 M* {2 k9 ~3 D9 ~原文链接：https://blog.csdn.net/weixin_43098506/article/details/126739013

8 L1 _  N) m! ^, {% P
+ x* {" O1 O& i% o