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
5 h5 R. x8 I! o9 _# o/ ^$ K
监督学习一般使用两种类型的目标变量：标称型和数值型。
+ Y5 S$ t! C; W7 T# l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。

8 O" q0 O' j2 p6 `& a1 E8 k《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
& g5 Q" t+ q2 H% _
第一章 机器学习基础
: T, J  u- F$ l% l机器学习基本概念
& u, y0 K* ?0 g# n, j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。
* H7 h$ L8 u- X9 S, C
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
9 i& Z& o: X* m4 y- j& p
* A1 N3 V1 y$ x' l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。
# G# L$ a; A7 a$ ~, W2 ]
用于执行分类、回归、聚类和密度估计的机器学习算法列表
0 W1 S& X. ~% p! }7 Q0 h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
/ s" S  m. w2 X9 b1 q支持向量机        Ridge回归
决策树        Lasso最小回归系数估计
无监督学习        用途
K-均值        最大期望算法
DESCAN        Parzen窗设计
+ y4 {- p2 T; X1 [Python语言用于机器学习的优势
/ a, y' U8 g" [1 `# D; Zpython语言语法清晰；
; ^/ Z' |4 r. L% K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

8 _/ B+ I( h" H- T9 G6 |