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

8 d* m' ?- t  L4 n9 x监督学习一般使用两种类型的目标变量：标称型和数值型。
+ ~% _" v/ H$ }0 r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。
% u' d6 ^/ o5 g) I6 @
& D4 B& [* V9 X/ i. t. 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

第一章 机器学习基础
1 c! `  j: M. J# j( b+ k/ }1 t) z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。

' |4 j7 @5 h& \$ j  C  H" E1 s* J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
* U2 i7 M6 {5 j3 |) }; U) `- r
* x' Z  R. O1 p6 u1 e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。

8 l2 E2 @& X; z; Q' h用于执行分类、回归、聚类和密度估计的机器学习算法列表
# ?/ J: {: N* b3 h监督学习        用途
k-近邻算法        线性回归
2 i5 l- F8 V2 G( n/ W+ V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
' t9 L; X* a. @. f. e* ^无监督学习        用途
K-均值        最大期望算法
% b, M! q8 V# d$ iDESCAN        Parzen窗设计
+ O# O) k  l7 t0 K- ^: hPython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；
使用广泛，存在大量的开发文档。
  n% N& V# q( o2 U————————————————
( Z* o0 {5 z% U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。
: o0 r# ~+ d5 ^+ b7 G原文链接：https://blog.csdn.net/weixin_43098506/article/details/126739013