原创力文档- 1、本文档共69页，可阅读全部内容。
- 2、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。
- 3、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
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，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
SVMPageRank
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_model.LinearRegressi
动点策划通过提供各行各业经典策划案例，策划思路，行业最新动态，旨在做好你的助手，为你正在谋划的事情提供框架思路或创作灵感。
文档评论（0）