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

* G/ I# T7 V, c: [/ w7 f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；
7 H, M" j2 Y. H, C( U/ h. Z9 e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
( Q6 E+ ~  S/ J/ Y% y) E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。

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
+ N! @/ R" V7 L, M
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。
9 r- h$ H2 Q' k
. c' p' K: n) X, r- z用于执行分类、回归、聚类和密度估计的机器学习算法列表
) W# O- N: U& y0 S监督学习        用途
3 ^& G  z; }* ?* W5 z1 q+ fk-近邻算法        线性回归
朴素贝叶斯        局部加权线性回归
) i9 Q; X1 H* l. T% U/ c支持向量机        Ridge回归
: j7 S) n$ A( n3 {; b! `1 e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
6 ]( x7 q( w, {+ x1 c" d) ^0 ]Python语言用于机器学习的优势
python语言语法清晰；
, Z( L% w% y4 T% b. ~9 |+ q! `- J易于操作纯文本文件；
使用广泛，存在大量的开发文档。
————————————————
" O2 z/ y1 M9 X3 b6 x! M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


2 M" X% R  ?6 @$ G8 e7 ]3 k5 Z