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

3 i9 \2 Y0 Y5 l  k* M" U$ 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。
6 _3 F6 c7 r7 r' O) U: P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；
8 [& V6 }: g8 i6 A( C4 ^" A" P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。

0 Z0 v1 U8 @- w9 h' e6 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
9 m8 Q7 y: Z4 W/ }4 D
! ]' R, ~" I( _! @/ b3 t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。
0 X; t% q- H  c: y
" Q% e9 F; j& y9 m) S9 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

  K1 r6 Z7 S+ |- y5 M- S" R- ?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。

2 }$ M+ Q  [" ?; B" _4 [* E用于执行分类、回归、聚类和密度估计的机器学习算法列表
4 P# {7 ]; _, _$ S9 d, J6 [% V' P监督学习        用途
4 B! |, Y1 d0 h3 \0 P& D* qk-近邻算法        线性回归
! L: @; P0 |# t朴素贝叶斯        局部加权线性回归
) ]/ F2 ~5 x* b4 \& t支持向量机        Ridge回归
" s! O6 M3 D: ]9 ~5 W1 _- L& M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；
; e2 v0 K% ^5 c( x0 N( P+ R0 V/ [易于操作纯文本文件；
使用广泛，存在大量的开发文档。
: W4 @) `  {& Z4 ~) D- F$ A————————————————
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。
5 m  z  m- r" H/ |# Z* t原文链接：https://blog.csdn.net/weixin_43098506/article/details/126739013