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+ w% s/ U2 `4 S/ f1 F" V
! {3 O; `% a4 e监督学习一般使用两种类型的目标变量：标称型和数值型。
, K. C6 Z. a" z+ G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；
- A- n* O' j: f2 |  g% ^  X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。

( ~6 v1 {# y( W+ W- l) n) r《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 G; B4 A3 d/ _  C' g# B第一章 机器学习基础
4 s( T0 I% M; T# `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。
' D0 r& H0 R0 x+ @( w  s
, @1 S, y9 k' l  n6 A, s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。
7 d+ v4 M  L; s: V2 s, A
1 L4 \% y% f) 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
; v3 ~! T5 E0 a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
决策树        Lasso最小回归系数估计
. y0 P& ^( q/ n0 y无监督学习        用途
K-均值        最大期望算法
; M1 ~1 J: A5 J1 j0 |; lDESCAN        Parzen窗设计
/ e6 W1 q, F$ P/ c" T+ ~. H1 PPython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。
————————————————
& P+ C( j+ m$ J: y- N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。
9 F* {7 \6 p  V* u/ F3 h原文链接：https://blog.csdn.net/weixin_43098506/article/details/126739013
" p) [% P" ]1 `# Q
4 P- T( I$ X  l9 m