本文共 705 字,大约阅读时间需要 2 分钟。
一,机器学习算法类别
1,按照学习方式分类
- 监督学习(supervised learning)(预测)
- 定义:输入数据是由输入特征值和目标值所组成。函数的输出可以是一个连续的值(称为回归),或是输出是有限个离散值(称作分类)。
- 分类 k-近邻算法、贝叶斯分类、决策树与随机森林、逻辑回归、神经网络
- 回归 线性回归、岭回归
- 标注 隐马尔可夫模型 (不做要求)
- 无监督学习(unsupervised learning)
- 定义:输入数据是由输入特征值所组成。
- 聚类 k-means
- 半监督和强化学习
2,监督学习、无监督学习的区别
3,关于监督学习中的分类与回归区别
1)两种数据类型
- 离散型数据:由记录不同类别个体的数目所得到的数据,又称计数数据,所有这些数据全部都是整数,而且不能再细分, 也不能进一步提高他们的精确度。
- 连续型数据:变量可以在某个范围内取任一数,即变量的取值可以是连续的,如,长度、时间、质量值等, 这类整数通常是非整数,含有小数部分。
注:只要记住一点,离散型是区间内不可分,连续型是区间内可分
2)得出结论
- 分类:目标值数据类型为离散型
- 分类是监督学习的一个核心问题,在监督学习中,当输出变量取有限个离散值时,预测问题变成为分类问题,最基础的便是二分类问题,即判断是非,从两个类别中选择一个作为预测结果;
- 回归:目标值数据类型为连续型
- 回归是监督学习的另一个重要问题。回归用于预测输入变量和输出变量之间的关系,输出是连续型的值。
二,机器学习开发流程
什么是模型?
指对于某个实际问题或客观事物,应用合适的算法得到的结果,称之为模型。
相当于对问题,抽象成数学问题。模型 = 算法 + 数据
转载地址:http://asili.baihongyu.com/