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

7 M$ l5 v/ Z( R4 b9 u$ T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；
$ a- t2 I! R" \1 _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。

! Z/ y5 n6 N2 o2 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

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。

& t# `7 R) P+ |) n6 {2 i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

& ]- o/ i. p. d6 r& a+ ~) w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。

4 r  t. f% I& v3 l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        用途
/ h% e4 R) X1 `8 m9 t' @; I, {k-近邻算法        线性回归
: x$ Z0 l4 l& {4 i4 Y朴素贝叶斯        局部加权线性回归
/ r/ I+ E" X* \% Y! n0 `) ~支持向量机        Ridge回归
, `  q0 P' N  `7 y& D$ G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
) J6 I5 A9 i. D) n  B& J$ JDESCAN        Parzen窗设计
! T) q, B- v6 CPython语言用于机器学习的优势
# T6 \& Q( q; T1 A) P( U2 Epython语言语法清晰；
易于操作纯文本文件；
& i+ r3 R% H) \! z2 C  q& t使用广泛，存在大量的开发文档。
————————————————
" e8 r, w; |6 S. }% B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。
3 a7 C" ~8 l2 @7 t原文链接：https://blog.csdn.net/weixin_43098506/article/details/126739013


$ @- _6 j7 @; n- r2 [. w