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

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；
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。

/ a" b: u4 O! ]7 \/ Z0 w《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
# `9 R, A! t5 X2 n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。

- S6 G8 S4 [% G; u" z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
3 T- E  Q: Y& o, J% e8 _8 Z& c
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
5 [9 v) t. s; o( d! O" Tk-近邻算法        线性回归
% _9 D& G8 C3 D- ?3 o4 N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
无监督学习        用途
K-均值        最大期望算法
DESCAN        Parzen窗设计
Python语言用于机器学习的优势
python语言语法清晰；
0 K% q5 y2 G4 Q* b4 H易于操作纯文本文件；
使用广泛，存在大量的开发文档。
. E: C/ x$ Z! o) _: _3 v————————————————
) W  c( F1 T# f" v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。
+ @) t/ p& u+ W原文链接：https://blog.csdn.net/weixin_43098506/article/details/126739013


) x* r6 W4 L0 R5 ^