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
" J) c- v: u6 ]  i/ |: ?+ Y' h# l
. S0 O( i+ @0 I! q! o监督学习一般使用两种类型的目标变量：标称型和数值型。
8 @/ L" V  T% H9 c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；
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。
- C: J) N4 `- U
《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
0 S6 v* X" M# W0 u
第一章 机器学习基础
) h9 V: l( {" }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。

" ~8 E1 C2 G8 u# X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

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。

: B. `, v4 o$ ~& G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
朴素贝叶斯        局部加权线性回归
( E4 K% K7 s2 j支持向量机        Ridge回归
+ q3 g6 K+ e  A* g: y决策树        Lasso最小回归系数估计
无监督学习        用途
" R  i% ~* v5 |$ cK-均值        最大期望算法
/ [* S' W2 t2 y  [0 L0 g" ODESCAN        Parzen窗设计
. J( N* w* z- R( A1 [$ _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。
————————————————
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

6 \: s6 ^5 c7 x9 o- q
' V$ M' E/ `4 G0 ?