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
/ t7 n7 i5 p" P. |
7 G: K1 M" h, F4 j" |监督学习一般使用两种类型的目标变量：标称型和数值型。
$ w/ E, [$ K) }9 L- H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；
* E6 ?# o: V6 e; P; _/ t4 ?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。
0 I2 b; l2 ]0 F8 A$ Y& o6 J! f+ G5 a
1 W; }8 q& y) j3 n9 p) B《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
* Y  E1 g! T# T6 j/ D, V  R
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。

: K9 j9 }# w5 D# `3 L5 f- 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

( C' @: p5 o  z7 t, o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。
2 s! A( d& X6 m& S0 o% z$ @9 \6 i
用于执行分类、回归、聚类和密度估计的机器学习算法列表
' Y! Z% F/ r/ S# l/ ^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
1 Q; O0 M# W) Y5 C* \2 p. o决策树        Lasso最小回归系数估计
7 W7 a- X3 E8 n+ R4 s' O0 A无监督学习        用途
K-均值        最大期望算法
. |' U/ U  q. [DESCAN        Parzen窗设计
Python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。
————————————————
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

2 ^& }5 z( _+ m! v1 ]& R# [9 G' W