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

监督学习一般使用两种类型的目标变量：标称型和数值型。
1 k: A* X/ }, p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；
$ x' f/ P- O/ u! r+ 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。
& P2 _- Y/ o2 b% e. }) k* }9 D
" G0 e. b; C8 \7 H/ @. d《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 X, R; U0 h5 \第一章 机器学习基础
( d6 @  s- E8 i# F3 \机器学习基本概念
' C/ L% ^6 c, b# b+ ]4 C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。
/ y) }% c3 `( i5 m* A; ]  ~# j( B
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
6 k+ q( A  i$ T+ A5 y. y1 o
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 d) P( @# X' K2 w$ ]* Q; ?' p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
0 b* S7 o$ c, m( t! gk-近邻算法        线性回归
0 p3 [% l' T; `% ]# d1 ~朴素贝叶斯        局部加权线性回归
2 V2 h8 }% V  R) N支持向量机        Ridge回归
  j4 t# z+ v7 j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
; h8 j  u8 N1 u7 [DESCAN        Parzen窗设计
Python语言用于机器学习的优势
4 _& p" y! l) Q# f9 _python语言语法清晰；
) l' X5 ~4 z. ?# C/ y( S7 t易于操作纯文本文件；
& q% Q0 ]2 l& N3 }7 `, c使用广泛，存在大量的开发文档。
————————————————
9 `: I$ X0 j, V' {; 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
& [# E& K7 V% A& e0 t( Q9 r

: ^  P7 p  W7 N% M7 T" y