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

" R7 A7 B4 y+ @* r  c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。

《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
2 u1 P; c" o1 V" Y8 w% z, {% [2 k
" ^  d; c4 A5 i8 h3 ?第一章 机器学习基础
5 D8 n& {6 M' ?: ~, ]% a机器学习基本概念
) F3 p0 S: K" l# m8 H: t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。
; `3 Y& I( \- j4 x" @
8 n( J+ ]  s9 p5 c4 B- _9 t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& k! W: X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。
, m/ Z; A7 d- M1 C. y
用于执行分类、回归、聚类和密度估计的机器学习算法列表
1 a2 x2 u1 T5 R" {$ C! Q7 r监督学习        用途
k-近邻算法        线性回归
% I. p0 j- X8 n5 y- d朴素贝叶斯        局部加权线性回归
- |3 K4 Z3 B9 V7 j支持向量机        Ridge回归
决策树        Lasso最小回归系数估计
2 ?+ h; M& x# _; \7 ?3 \; O无监督学习        用途
K-均值        最大期望算法
5 ?7 Y7 f* |5 U0 t2 Y( NDESCAN        Parzen窗设计
4 Z  Y# s6 O# o$ q/ L$ DPython语言用于机器学习的优势
' b0 g1 B2 e# o/ H  opython语言语法清晰；
# o7 ~1 F8 L; u! m' m3 N3 T0 P9 S. h9 J易于操作纯文本文件；
2 O5 K# D( f2 P4 U! N% K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。
  ~  T* `0 L! t7 h' J原文链接：https://blog.csdn.net/weixin_43098506/article/details/126739013