《机器学习算法概述》1700字.docxVIP

PAGE

PAGE1

机器学习算法概述

1.1回归算法

（1）线性回归

线性回归（LinerRegression,LR）分为单变量线性回归和多元线性回归，它可以建立因变量和自变量之间的函数关系，是一种有监督的机器学习算法[73]。在本研究中，由于自变量数量较多，因此采用了多元线性分析的方法。其具体表达式见公式（2-1）。

(2-1)

其中，Y表示因变量，本研究中表示I类破坏问题时的端部剪力与II类破坏问题的片材中间应变；β0为回归常数；m表示自变量的数量；Xj表示自变量；βj为回归系数。通过梯度下降法使均方根误差最小，随后得到回归系数的最佳组合，得到最佳拟合线。

岭回归

岭回归（RidgeRegression,RR）是一种修正的线性回归方法。通过放弃线性回归的无偏性，该回归方法以损失一些信息和准确性为代价，获得了更真实可靠的回归系数，对病理数据的拟合效果比普通线性回归方法更强[74]。

决策树

决策树（DecisionTree,DT）是经典的机器学习算法。它主要由节点和定向边组成。有两种类型的结点：内部结点和叶子结点。内部节点代表特征或属性，而叶子节点代表类或值。当用决策树进行回归时，样本的每个特征都从根节点开始测试，并根据测试结果将样本分配给其子节点；此时，每个子节点对应于该特征的一个取值。样本以这种方式递归地进行测试和分配，直到到达叶子节点[75