机器学习

Posted 2021-01-09 chengchengaqin

1. 用于执行分类，回归，聚类和密度估计的机器学习方法：

   a. 监督学习的用途： 

k-近邻算法	线性回归
朴素贝叶斯算法	局部加权线性回归
支持向量机	Ride回归
决策树	lasso最小回归系数估计

 

 

   b. 无监督学习的用途：

K-均值	最大期望算法
DBSCAN	Parzen窗设计

2. 选择合适的算法：

   如果是想要预测目标变量的值，则可以选择监督学习算法，否则选择无监督学习算法。

   确定监督学习算法之后，进一步确定目标变量类型，如果目标变量是离散型，如1/2/3，A/B/C，是/否等，则旋转1分类算法；如果目标变量是连续型的数值，如0.01～～100.00，-999～～999，则选择回归算法。

   确定无监督学习算法，进一步分析是否要将数据划分为离散的组，如果只是唯一的需求，则使用聚类算法；如果还需要估计数据与每个分组的相似程度，则需要使用密度估计算法。

3. 开发机器学习应用程序的步骤：

•    收集数据
•    准备输入数据
•    分析输入数据
•    训练算法
•    预测算法
•    使用算法