简述浅基础的分类.docxVIP

简述浅基础的分类 分类（Classification）是计算机科学中机器学习的一个分支，是根据已有的经验和数据，通过计算机程序来对新数据进行分类的过程。它也可以用来识别文本，图像，语音等多种信息，以便从已有的信息中获得有用的信息。 分类可以分为有监督学习和无监督学习，有监督学习所需的训练数据是在给定的特征空间中的标签样本（labeled samples），而无监督学习不用考虑标签。有监督学习分类算法又可以分为线性模型，决策树，支持向量机，k-近邻，模糊聚类等。 线性模型是一种基于预先定义的关系来处理数据的模型，比如逻辑回归、朴素贝叶斯等， 逻辑回归用来建立一个结果的线性函数表达式，朴素贝叶斯算法则是通过贝叶斯定理和样本特征独立这两个思想来对输入数据进行分类。 决策树是一种根据特征属性划分数据集的模型，每一次划分可以细化一个特征，分类也是一个树结构，从上至下，通过一系列提问来逐步地筛选数据，最后学习到一个分类器。 支持向量机是最受欢迎的有监督学习算法之一，它被广泛应用于二分类以及多分类问题，支持向量机的核心思想是把原始数据变换到更高维度的特征空间，使用一组划分超平面，从而可以有效的处理高维数据，解决非线性可分问题。 K-近邻(KNN)算法是一种非常简单的分类算法，它不需要在训练时建立模型，而是在未知实例出现时从训练实例中挑选最加似的K个实例，判断新实例的类别与其最大程度的相似。 模糊聚类（Fuzzy Clustering）是一种无监督学习的聚类算法，主要用于处理含有模糊的数据，它将每一个类别中的不同对象当做一种不确定的集合，根据输入的每一个数据，模糊聚类算法将计算它属于每一个类别的置信度，从而产生多个可能类别。