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。
+ {- x4 v9 u( r
《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
; Z0 U4 h1 g' B
第一章 机器学习基础
! z/ L! H" x  V2 \( e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。

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/ P4 P& r) M( k( g) Y
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。

' v' Z  J# v( P. g+ j: X% a: U9 R用于执行分类、回归、聚类和密度估计的机器学习算法列表
" t( S; t& i* `% H0 ^监督学习        用途
, h% H, }  L- l; Ck-近邻算法        线性回归
9 M' ]. u: W. i2 @/ K- W朴素贝叶斯        局部加权线性回归
支持向量机        Ridge回归
* E% Q  }7 V! W$ ^9 Q8 H决策树        Lasso最小回归系数估计
0 ]: [+ O" m! F6 S7 J- T无监督学习        用途
K-均值        最大期望算法
DESCAN        Parzen窗设计
2 f7 X" _0 U- `! }' b, e) K7 JPython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；
# m) x: t  @  G5 u/ s' E使用广泛，存在大量的开发文档。
# S# B: Y' r! O————————————————
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。
, z' v* X. g5 b8 m. @) M2 E7 L原文链接：https://blog.csdn.net/weixin_43098506/article/details/126739013