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
- d9 r2 b9 R: a: h
0 @/ u* W; D6 v/ w% q0 `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；
2 N- O# K7 X  r3 L( ]# m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。
. R3 N# k) q, u7 w. s
3 w+ j* p% L& c) O《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
$ U, A; i0 p* J
第一章 机器学习基础
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。

% \9 c/ x5 G0 j. J" W' n5 r$ T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
; ?% V. W1 O& C# ?! ]; V1 S
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。

) k1 R3 a# Y& e" a1 R- [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
# y5 {; J0 k9 I5 h( }/ U- ]( o支持向量机        Ridge回归
4 o5 N3 l7 ?$ o  `* {6 O8 i6 ^! {决策树        Lasso最小回归系数估计
无监督学习        用途
/ _# w" [5 J* r. F# Y, Q) UK-均值        最大期望算法
" u# v, E  J" q, E( ^# J$ M6 P! ^DESCAN        Parzen窗设计
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。
# l4 X& u- S1 D, d————————————————
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

" @+ J1 ]' v* {+ y  s- i