机器学习十大算法原理总结

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。