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
' ]0 W# i. L9 k! A8 _' w# f
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 _" e. N1 f2 W; u! L: I1 |# i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；
6 M. W$ p( E' g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。
) p) }( Q1 L; [/ [+ b+ y' C
4 }/ `  n, }/ c* }' [/ `4 u《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
: V( ]4 d3 o! b6 n( f
  T# z7 \+ d2 Y. T- \. n- n4 n第一章 机器学习基础
4 l. f. Y& J+ ]; c; d7 S机器学习基本概念
# H4 \( J$ h' J, i, ?  R4 J4 X+ _4 I! a. r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。

6 q! K+ X7 s2 K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

) K) n: z9 t* y4 S) }4 s" i' J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。

5 R0 h0 w/ H8 j% ]3 u: T" v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
k-近邻算法        线性回归
4 q& x! T; m. N. H! w朴素贝叶斯        局部加权线性回归
  P/ @% ^( x, z8 Z1 A" j- |5 r7 V支持向量机        Ridge回归
  z6 X+ ^! z7 ^% Z决策树        Lasso最小回归系数估计
- G- D* `+ i5 n0 {# w# k! \无监督学习        用途
, ^! C3 I8 l) B( G: P3 W- }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；
( m2 `2 E% }+ E, X' ^. d* @+ e易于操作纯文本文件；
; L- w1 Y! \6 A- m' |- @7 }使用广泛，存在大量的开发文档。
4 j* u9 H) L1 {% z————————————————
  J; v0 q- B3 f# u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。
原文链接：https://blog.csdn.net/weixin_43098506/article/details/126739013
% b" w, R7 p. ]9 M! v