机器学习算法介绍-深度学习与人工智能.PDF

机器学习算法介绍 基本概念分类 监督式学习 分类算法 多轮学习以达到目的：实现回归或分类 适用因变量为离散变量 非监督式学习 回归算法 特定方法实现聚类。 （由于目的性不明确， 适用因变量为连续变量 所以一般没有多轮） 聚类和分类的差别 强化学习 聚类 ：无限种类别可能 不断学习，永无止境 分类 ：有限种类别可能 监督式学习 工作机制 这个算法由一个 目标变量或结果变量 （或因变量 ）组成。 此变量由已知的一系列预示变量 （自变量 ）预测而来。 利用这一系列变量 ，我们生成一个将输入值映射到期望输出值的函数。 这个训练过程会一直持续 ，直到模型在训练数据上获得期望的精确度。  例子 线性回归 ，决策树 ，SVM ，K – 近邻算法 ，逻辑回归 等 非监督式学习 工作机制 没有任何 目标变量或结果变量要预测或估计。 用在不同的组内聚类分析。  例子 关联算法 ， K – 均值算法 强化学习 工作机制 训练机器进行决策。 机器被放在一个能让它通过反复试错来训练 自己的环境中。 机器从过去的经验中进行学习 ，并且尝试利用了解最透彻的知识作出精确的判断。  例子 马尔可夫决策过程 十大机器学习算法 1、线性回归 2、逻辑回归 3、决策树 4、SVM 5、朴素贝叶斯 6、k-Means算法 7、kNN算法 8、Apriori算法 9、最大期望算法 （EM ） 10、PageRank 监督式学习与非监督式学习的差别 监督式学习方法 ，要求 ： 事先明确知道各个类别的信息 所有待分类项都有一个类别与之对应 如果不能满足上述两个条件 （例如有海量数据 ），则需适用聚类算法 ，即非监督式学习。 监督式学习 非监督式学习 线性回归 逻辑回归 K-means 决策树 Apriori 朴素贝叶斯 EM SVM P ageRank KNN 线性回归 适用场景 根据连续变量估计实际数值 （房价、呼叫次数、总销售额等）。 原理 可通过拟合最佳直线来建立自变量和因变量的关系。拟合结果是条直线 Y a *X + b ：其中Y是因变量，a 是斜率，x是自变量，b是截距 最佳直线叫做回归线。系数 a 和 b 通过最小二乘法获得。 Python代码 from sklearn import linear_model x_train=input_variables_values_training_datasets y_train=target_variables_values_training_datasets x_test=input_variables_values_test_datasets linear = linear_mode