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
' ^# h5 K3 S' w& L, o# @
监督学习一般使用两种类型的目标变量：标称型和数值型。
7 z0 y& T! B. b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；
, I6 \1 d- r) K+ H  q  X" ^% q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。

4 I1 W9 A6 K+ x4 r/ O《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
- o" ^! B; h) r" i4 j' b; |
1 T- k0 F' v& x# A第一章 机器学习基础
& i0 b" b8 U+ ?* H* c机器学习基本概念
, R0 L! S1 r' V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
0 b+ [% U4 h" {$ a
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
监督学习        用途
/ s) O* J$ ]5 U  B( p5 q& i( I. K: Uk-近邻算法        线性回归
% Z; `) i6 i5 w8 M7 b$ D0 {朴素贝叶斯        局部加权线性回归
支持向量机        Ridge回归
决策树        Lasso最小回归系数估计
! I: I8 M5 J5 I% M# v5 h无监督学习        用途
K-均值        最大期望算法
3 N: s2 `$ i! M# WDESCAN        Parzen窗设计
( n; E- K' X) e3 |Python语言用于机器学习的优势
6 f4 @, d7 d4 c- r" `% g8 {python语言语法清晰；
1 N! M$ o' D8 i! m5 V) {! @. ^易于操作纯文本文件；
: i. S/ E# W3 g$ [使用广泛，存在大量的开发文档。
————————————————
1 n* s  j2 Q- V) G/ P% w0 x+ X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 @# E: \% z9 H6 ]3 Y+ X" P+ U原文链接：https://blog.csdn.net/weixin_43098506/article/details/126739013
$ R9 r& ~; v1 E+ O, s4 j' s! g
. l( s# u# _  h, {3 \/ E5 S