10种机器学习算法介绍.pptx

该【10种机器学习算法介绍 】是由【zhangkuan1436】上传分享，文档一共【68】页，该文档可以免费在线阅读，需要了解更多关于【10种机器学习算法介绍 】的内容，可以使用淘豆网的站内搜索功能，选择自己适合的文档，以下文字是截取该文章内的部分文字，如需要获得完整电子版，请下载此文档到您的设备，方便您编辑和打印。机器学习算法介绍
基本概概念分分类
监督式式学习习
多轮学学习以以达到到目的的:实实现回回归或或分类类
非监督督式学学习
特定方方法实实现聚聚类。。(由由于目目的性性不明明确,,所以以一般般没有有多轮轮)
强化学学习
不断学学习,,永无无止境境
分类算算法
适用因因变量量为离散变量
回归算算法
适用因因变量量为连续变量
聚类和和分类类的差差别
聚类::无限限种类类别可可能
分类::有限限种类类别可可能
监督式式学习习
工作机机制
这个算算法由由一个个目标标变量量或结结果变变量((或因因变量量)组组成。。
此变量量由已已知的的一系系列预预示变变量((自变变量))预测测而来来。
利用这这一系系列变变量,,我们们生成成一个个将输输入值值映射射到期期望输输出值值的函函数。。
这个训练练过程会会一直持持续,直直到模型型在训练练数据上上获得期期望的精精确度。。
例子
线性回归归,决策树树,SVM,K–近邻邻算法,,逻辑回回归等等
非监督式式学习
工作机制制
没有任何目标标变量或或结果变变量要预预测或估估计。
用在不同的的组内聚聚类分析析。
例子
关联算法法,K–均均值算算法
强化学习习
工作机制制
训练机器进行行决策。。
机器被放放在一个个能让它它通过反反复试错错来训练练自己的的环境中中。
机器从过过去的经经验中进进行学习习,并且且尝试利利用了解解最透彻彻的知识识作出精精确的判断。
例子
马尔可夫夫决策过过程
十大机器器学习算算法
1、线性回回归
2、逻辑回回归
3、决策树树
4、SVM
5、朴素贝贝叶斯
6、k-Means算法
7、kNN算法
8、Apriori算法
9、最大期期望算法法(EM)
10、PageRank
监督式学学习与非非监督式式学习的的差别
监督式学学习方法法,要求求:
事先明确确知道各各个类别别的信息息
所有待分分类项都都有一个个类别与与之对应
如果不能能满足上上述两个个条件((例如有有海量数数据),,则需适适用聚类类算法,,即非监监督式学学习。
监督式学习
非监督式学习
线性回归
逻辑回归
决策树
朴素贝叶斯
SVM
KNN
K-means
Apriori
EM
PageRank
线性回归归
适用场景景
根据连续续变量估估计实际际数值((房价、、呼叫次次数、总总销售额额等)。。
原理
可通过拟拟合最佳佳直线来来建立自自变量和和因变量量的关系系。拟合合结果是是条直线线Y=a*X+b:其中Y是是因变量量,a是是斜率,,x是自自变量,,b是截截距
最佳直线线叫做回回归线。。系数a和和b通通过最最小二乘乘法获得得。
Python代码
fromsklearnimportlinear_model
x_train=input_variables_values_training_datasets
y_train=target_variables_values_training_datasets
x_test=input_variables_values_test_datasets
linear=()
(x_train,y_train)
(x_train,y_train)
线性回归归
针对线性性回归容容易出现现欠拟合合的问题题,采取取局部加加权线性性回归。。
在该算法法中,赋予预测测点附近近每一个个点以一一定的权权值,,即近近点的权权值大,,远点的的权值小,k为波长参参数,控控制了权权值随距距离下降降的速度度,越大大下降的的越快。
线性回归归
针对数据据的特征征比样本本点多的的问题::
一、岭回回归
二、前向向逐步回归