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

! Z- S* u) ?0 o5 s) t- W6 ]监督学习一般使用两种类型的目标变量：标称型和数值型。
3 F) K7 ]# y% c5 G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。

《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
( ?' i' H8 b& O/ M3 ]* q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。

/ ], F! D  f: g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

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。

用于执行分类、回归、聚类和密度估计的机器学习算法列表
( L' ?9 Y* R6 l0 h& ?- N监督学习        用途
7 ]- d: D; B1 @' mk-近邻算法        线性回归
朴素贝叶斯        局部加权线性回归
* b. _2 x$ x, E' K, C& G7 X支持向量机        Ridge回归
4 L8 Q) \; \$ Q/ w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
- e7 a8 A8 j/ g) N$ ~$ R, F2 {Python语言用于机器学习的优势
/ T4 H! t  t' p1 |/ j+ _% bpython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。
% c  E1 I4 u- W* @. 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。
: N! a; n. f% Q  \: O( [' N原文链接：https://blog.csdn.net/weixin_43098506/article/details/126739013
/ r/ j6 n6 J% @- ?+ @
3 S( v# K5 g8 D$ X; n, l
$ p" N( l& E- m* c! b. i