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；
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。

+ t9 M1 z; F3 [. p* L& A" G8 P《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
+ d. M6 _4 n  b2 j- ]" {' J
第一章 机器学习基础
机器学习基本概念
% W. l6 e4 ?: ?8 J6 M' B) y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。

+ L+ d* @2 M7 }$ ~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

* ^% w0 }7 U1 ^* k0 x- Z* T+ D' P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。

用于执行分类、回归、聚类和密度估计的机器学习算法列表
0 v/ ]. }* l  `0 y$ {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
支持向量机        Ridge回归
决策树        Lasso最小回归系数估计
无监督学习        用途
1 f2 B# U% Y; ?: S  s. P3 {K-均值        最大期望算法
5 g& q. @& M8 d: t3 |DESCAN        Parzen窗设计
0 V- N+ R4 N( e" MPython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；
3 S+ W4 M5 q8 Y$ Z( V; K) r使用广泛，存在大量的开发文档。
7 D1 b9 N1 r; o————————————————
8 K6 g1 Z7 l' D1 x4 H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