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
* ?: U7 R" A. Q
8 P  ]  ?, o, g" j8 k. S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: l9 S: i2 L8 I/ D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；
  S8 d, U1 z& y/ i4 |( w6 |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。
5 e6 i5 ^( K, p1 q9 W# o# j
7 c9 Z+ b' a9 m7 m2 K# i《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
+ x+ r6 @! k1 U2 }/ O- G
( l1 v* l! g; i, O5 m第一章 机器学习基础
机器学习基本概念
. O2 n9 I3 ]& U2 \* T" E4 W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。
& [- I" H( @( o5 Q8 H
$ Y* q3 @9 w" m! c# I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
% w" K; B" s0 M1 j- C' D
3 J9 E$ `3 _- w2 W4 A, a. ^* b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。

& W+ W+ q- i7 |% W5 `# y8 w8 ]4 D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
! E/ L! Y9 v$ r; k$ L* t& O2 Gk-近邻算法        线性回归
" {8 o1 }* L0 A; f; z朴素贝叶斯        局部加权线性回归
支持向量机        Ridge回归
5 G5 U' `! |1 L1 X5 w" `- \. x决策树        Lasso最小回归系数估计
" J* ]) `* |) i0 L! h+ m无监督学习        用途
1 |& Z% @% q: ]& G- G9 aK-均值        最大期望算法
DESCAN        Parzen窗设计
: ], U3 E# ^( SPython语言用于机器学习的优势
" ]" j0 i) Z  i8 C2 F+ q' Dpython语言语法清晰；
易于操作纯文本文件；
3 v  h5 E" P1 B2 s7 I/ z使用广泛，存在大量的开发文档。
————————————————
. C# W0 ?. v7 I% F* E9 e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。
  H2 H  A1 z- H  a0 u$ o! N: p原文链接：https://blog.csdn.net/weixin_43098506/article/details/126739013

) S+ P3 R1 r2 r9 o( k( ~