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。
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；
, p4 ^- r. f% b) M, l3 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。

9 c, I* k2 w1 ^% ^3 |《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
4 ~3 P$ m3 m) a& T' U
* M6 T& l9 @& a8 P: `) w1 J4 S第一章 机器学习基础
机器学习基本概念
+ k6 ]# [0 x! l7 F+ S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。

0 B$ u# A! H/ z' l, A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
3 r: L  Z/ p; W& y
. [: m+ Y- n0 B  X# B2 O: H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。
1 u$ m4 k# @! _/ `" h# g
3 x- |6 O# @: t" T8 K, q; h. d, s( w3 m2 `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
! H! q: J* g8 S! U& \$ p- U8 a朴素贝叶斯        局部加权线性回归
# n! h- o- U6 d支持向量机        Ridge回归
0 V8 z3 n2 S4 P+ G( D5 W决策树        Lasso最小回归系数估计
无监督学习        用途
. ]8 ?  q( b  n' p6 f7 j8 z7 uK-均值        最大期望算法
DESCAN        Parzen窗设计
5 g$ o+ O# D3 \) [  VPython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；
8 S* _& b# n3 _- U1 T+ Z# F+ c使用广泛，存在大量的开发文档。
' y, y: M0 \5 ^. o& ]: b————————————————
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
; `+ X8 W% b# N0 p  p7 _

$ i  W1 Z( P6 M( ?' e$ U