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
7 L$ x+ ?) N7 w2 x' h5 Y
, e0 y& K, C+ Y( ?5 L7 }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；
, o- [  ^1 n8 t" u1 p# k1 i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。

! `; E  n1 Q+ O( F) v《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
9 |! l, [; t( U" F4 y  q2 X. R
  |* e/ K8 W$ b6 }8 D) l第一章 机器学习基础
: M0 ^9 O' V) {. w+ z; G6 D% k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。
! p" v! i0 I& ^! B! z: M- p
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

9 o' ^, M+ ]4 R' D: y3 \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。
. V8 E* ~$ r# C/ s
8 \- k) ~. a! v' L# j5 J, |用于执行分类、回归、聚类和密度估计的机器学习算法列表
& a3 i+ R& O/ @/ ^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
支持向量机        Ridge回归
1 K7 t1 B0 N' E3 Z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
# K3 q( J$ u$ b4 E5 ^DESCAN        Parzen窗设计
Python语言用于机器学习的优势
python语言语法清晰；
8 t( e# {* Y8 D0 M( T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

5 }4 ~2 ]" S# a/ @* e( \