机器学习 scikit-learn 图谱
Posted zhchoutai
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了机器学习 scikit-learn 图谱相关的知识,希望对你有一定的参考价值。
scikit-learn 是机器学习领域非常热门的一个开源库。基于Python 语言写成。能够免费使用。
网址: http://scikit-learn.org/stable/index.html
上面有非常多的教程,编程实例。
并且还做了非常好的总结,以下这张图基本概括了传统机器学习领域的大多数理论与相关算法。
我们能够看到,机器学习分为四大块。各自是 classification (分类), clustering (聚类), regression (回归), dimensionality reduction (降维)。
给定一个样本特征
假设给定一组样本特征
假设我们想用维数更低的子空间来表示原来高维的特征空间, 那么这就是降维问题。
classification & regression
不管是分类还是回归,都是想建立一个预測模型
不同的仅仅是在分类问题中,
所以在这个图谱上,我们看到在分类问题中用到的学习算法。在回归问题中也能使用。
分类问题最经常使用的学习算法包含 SVM (支持向量机) , SGD (随机梯度下降算法), Bayes (贝叶斯预计), Ensemble, KNN 等。而回归问题也能使用 SVR, SGD, Ensemble 等算法,以及其他线性回归算法。
clustering
聚类也是分析样本的属性, 有点相似classification, 不同的就是classification 在预測之前是知道
clustering 事先不知道样本的属性范围,仅仅能凭借样本在特征空间的分布来分析样本的属性。这样的问题一般更复杂。
而经常使用的算法包含 k-means (K-均值), GMM (高斯混合模型) 等。
dimensionality reduction
降维是机器学习还有一个重要的领域, 降维有非常多重要的应用, 特征的维数过高, 会添加训练的负担与存储空间, 降维就是希望去除特征的冗余, 用更加少的维数来表示特征. 降维算法最基础的就是PCA了, 后面的非常多算法都是以PCA为基础演化而来。
以上是关于机器学习 scikit-learn 图谱的主要内容,如果未能解决你的问题,请参考以下文章
人工智能领域常用的开源框架和库(含机器学习/深度学习/强化学习/知识图谱/图神经网络)