机器学习十大算法原理总结
2017-11-11 21:36
330 查看
监督学习算法:
1、K-近邻算法:通过建立和样本之间的距离求和,然后通过选择最近的K个样本数据,样本数据类型多的就是需要分的类型。
2、决策树算法:通过求最大信息增益来得到需要判断和拆分的标签类目,然后建立递归数,进行继续拆分到叶子节点结束。
3、朴素贝叶斯算法:通过和全量样本对比,有不同的样本概率求和,选择概率最大的作为分类。
4、逻辑回归算法:通过样本数据来计算逻辑回归系数,确定样本的分类概率,系数越大,准确性越高,结果数据大于0.5为一类,小于0.5为另一类。
5、支持向量机算法:和逻辑回归类型,不同之处就是支持的向量的特征维度相对较少,最后通过建立一个绝对平面来进行绝对正反分类。
无监督学习算法:
1、聚类算法:通过设定任意的质心,然后计算周边所有点的聚类,取最近的K个数的平均值作为新的质心,不断迭代,进行分类到结束。
2、协同过滤算法:主要是划分数据集,然后计算支持度进行过滤无效数据,然后通过计算置信度得出数据出现的概率。
1、K-近邻算法:通过建立和样本之间的距离求和,然后通过选择最近的K个样本数据,样本数据类型多的就是需要分的类型。
2、决策树算法:通过求最大信息增益来得到需要判断和拆分的标签类目,然后建立递归数,进行继续拆分到叶子节点结束。
3、朴素贝叶斯算法:通过和全量样本对比,有不同的样本概率求和,选择概率最大的作为分类。
4、逻辑回归算法:通过样本数据来计算逻辑回归系数,确定样本的分类概率,系数越大,准确性越高,结果数据大于0.5为一类,小于0.5为另一类。
5、支持向量机算法:和逻辑回归类型,不同之处就是支持的向量的特征维度相对较少,最后通过建立一个绝对平面来进行绝对正反分类。
无监督学习算法:
1、聚类算法:通过设定任意的质心,然后计算周边所有点的聚类,取最近的K个数的平均值作为新的质心,不断迭代,进行分类到结束。
2、协同过滤算法:主要是划分数据集,然后计算支持度进行过滤无效数据,然后通过计算置信度得出数据出现的概率。
相关文章推荐
- 机器学习(22)之Apriori算法原理总结
- 机器学习/数据挖掘/十大经典算法总结
- 机器学习_总结篇_十大经典算法与算法选择
- 机器学习常见算法及原理总结(干货)
- 机器学习-分类算法总结
- 机器学习十大经典算法
- 机器学习常见算法优缺点总结
- 机器学习十大算法之k-最近邻算法
- FP Tree算法原理总结
- 机器学习十大算法---2 .逻辑回归
- 机器学习十大算法之KNN(K最近邻,k-NearestNeighbor)算法
- 【机器学习十大算法】C4.5
- 机器学习优化算法总结
- 机器学习十大常用算法
- 算法基础:基本排序算法原理、实现与总结
- 机器学习算法原理总结系列---算法基础之(3)随机森林(Random Forest)
- 机器学习的9个基础概念和10种基本算法总结
- 轻松看懂机器学习十大常用算法
- 【机器学习】决策树(上)——从原理到算法实现
- 资源 | 最新机器学习必备十大入门算法!都在这里了