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
9 O3 D& A7 x. `% d
监督学习一般使用两种类型的目标变量：标称型和数值型。
+ d! Y3 d, b- p/ m& U( I3 m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。
# L% t5 C" a: m; V
: d+ A# O3 V& |& M3 B. }& h《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

第一章 机器学习基础
  g6 T( F2 A; j" G机器学习基本概念
  D) u# E8 j" P8 b! z! L' W, u$ u5 q6 v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 g4 Q1 w2 e) W9 \
; l( k' o0 p& {; \" L; ~- \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; R" G2 l+ W$ F( A
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。
% z% y1 d/ L9 x+ Q% ~. L6 f  |) ^
# h5 b! H% j5 l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
! W+ M0 a% z' M9 h% C& Tk-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
6 @) Y5 q, i* `, P6 e; |决策树        Lasso最小回归系数估计
无监督学习        用途
6 g: z: b5 ]: E+ o; \! gK-均值        最大期望算法
0 l$ K+ D8 K' t/ I+ X8 IDESCAN        Parzen窗设计
7 I# {) B- Q6 A; C8 _6 P6 UPython语言用于机器学习的优势
python语言语法清晰；
" [3 p: c' v- J4 V! b* T4 r, i易于操作纯文本文件；
使用广泛，存在大量的开发文档。
————————————————
  `8 I9 d+ V! C- z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
; j7 I( h% h5 Y( B! r  `% S. z- s