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。
2 A6 u2 S" q! Y- g/ m2 `' }: S( C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；
& W: _* d- _3 i4 C3 O0 v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。
3 {) K. e' p* b0 i: U! n( ^
. s. f1 }7 Y; ^  \, E' X5 K  w《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 W0 y" k' b! d' P# w% c
第一章 机器学习基础
机器学习基本概念
3 c9 B2 H8 [  _+ V6 D& H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。
) I0 A3 I+ K$ r
, C( f1 f. Z3 j* R9 n. 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

1 e$ ~- G4 H6 ]4 u+ H, 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。
; W- u' B3 T5 ^: [! u) h
$ @' U" a+ N( I用于执行分类、回归、聚类和密度估计的机器学习算法列表
4 E" `1 `* c) G/ l- Y监督学习        用途
/ _* h  R& q' Q* fk-近邻算法        线性回归
朴素贝叶斯        局部加权线性回归
0 X# V7 d* j2 ?3 c- x! \* B+ w4 d- U6 O支持向量机        Ridge回归
; z# q& Z' z, d  D3 D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
DESCAN        Parzen窗设计
Python语言用于机器学习的优势
- V5 j. B) [1 |python语言语法清晰；
0 M+ Q4 f* b& I! }3 ^! N$ I, f: e易于操作纯文本文件；
+ r. ]' E: t. U6 A  r- C使用广泛，存在大量的开发文档。
————————————————
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

) A2 Z0 l# L* t! D7 a