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
1 k. n9 a7 |# h; e, U
8 N! h7 i  j. g7 ^1 w# b# Y" o0 c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；
7 T' D! J* G. X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。
. f5 T4 r* E- G# t
( G3 w& w" T% I1 Y+ l4 Q" M《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
. I! x$ Q# R4 v
9 T( l4 T% p7 T0 t* D第一章 机器学习基础
机器学习基本概念
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。
7 W, Q4 l1 b2 W5 h. `8 e
  G4 p! _# {) \. N- k* ?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

) S: k; L2 |6 Q. {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。
) a+ t7 p, i; u; u2 `9 O( {
用于执行分类、回归、聚类和密度估计的机器学习算法列表
  N) \- L+ L& u) z2 P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
+ B" d$ d5 k" z) U$ h支持向量机        Ridge回归
决策树        Lasso最小回归系数估计
6 _/ K; U4 J8 Z7 X% F3 d无监督学习        用途
K-均值        最大期望算法
' |. \0 ?7 W- d0 u  m+ T% H' zDESCAN        Parzen窗设计
Python语言用于机器学习的优势
% ]3 E  ?6 h. U( Lpython语言语法清晰；
易于操作纯文本文件；
4 K/ w  `6 {/ c! W! o8 \使用广泛，存在大量的开发文档。
————————————————
* U6 T7 e, M% E" i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
8 C0 M; g& G# X$ M& W  x& R; l5 {

4 n* C, x$ X/ ]  M