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

2 S) G# b& K  M% a6 ~2 g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；
) ]& z: n! k2 e( L/ ]- ~8 G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。

* X3 G* x7 c" c/ ^( A7 p《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
  F3 ~' H/ o. ~
第一章 机器学习基础
) d, f' |4 d- R; m, b% ]机器学习基本概念
* L! r; p  m2 u& o) ~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。
" k4 Y" L7 I: Y6 L9 c  I' l3 [
3 u3 Q1 a4 a  u: c0 j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 R, L4 \/ m  _5 q4 [6 K, 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。
3 p* _2 T; ^! g9 r% ~) I
  `4 K+ z- u) m$ M/ b( C2 ^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
k-近邻算法        线性回归
/ s: r) \4 K2 }; G* ?朴素贝叶斯        局部加权线性回归
支持向量机        Ridge回归
& t3 p$ w! p! F; `$ Z- v决策树        Lasso最小回归系数估计
% h. e% K+ r' g6 Z! i无监督学习        用途
K-均值        最大期望算法
DESCAN        Parzen窗设计
! h$ U! K, d" p% ~) R5 ^Python语言用于机器学习的优势
python语言语法清晰；
易于操作纯文本文件；
使用广泛，存在大量的开发文档。
7 W0 q& ~6 Y& i3 E+ p4 V————————————————
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。
! s; x: h3 g; b$ i; L原文链接：https://blog.csdn.net/weixin_43098506/article/details/126739013