abc52shenghuo的博客

1、工作原理：存在一个样本数据集合（训练样本集）且样本集中每个数据都存在标签（样本集中每一数据与所属分类的对应关系）。输入没有标签的新数据后，将新数据的每个特征与样本集中数据对应的特征进行比较，提取样本集中特征最相似数据（最近邻）的分类标签。一般只选择样本数据集中前K个最相似的数据，选择k个最相似数据中出现次数最多的分类作为新数据的分类。 2、工作流程：（1）计算已知类别的数据

1、工作原理：K-means是一种基于划分的聚类算法。随机设定K个点作为初始聚类中心，算出样本中其余点与这K个点的距离，根据距离将这些点分配给最近的中心，计算平均值得到新的聚类中心。将这个过程不断重复，直到算法收敛，则聚类结束。2、存在问题：（1）需要预先依据实际经验指定k值；（2）对初始聚类中心敏感，容易导致聚类结果的不稳定；（3）随机选定初始聚类中心，易收敛于局部最优解，造

本文整理了60个机器学习算法应用场景实例，含分类算法应用场景20个、回归算法应用场景20个、聚类算法应用场景10个以及关联规则应用场景10个。包含了天池、DataCastle、DataFountain中所有竞赛场景。目录1 分类算法应用场景实例1.1 O2O优惠券使用预测1.2 市民出行选乘公交预测1.3待测微生物种类判别1.4 基于

有监督学习和无监督学习的区别有监督学习：对具有标记的训练样本进行学习，以尽可能对训练样本集外的数据进行分类预测。（LR,SVM,BP,RF,GBDT）无监督学习：对未标记的样本进行训练学习，比发现这些样本中的结构知识。(KMeans,DL)正则化正则化是针对过拟合而提出的，以为在求解模型最优的是一般优化最小的经验风险，现在在该经验风险上加入模型复杂度这一项（正则

1、工作原理：一种描述对实例进行分类的树形结构。由结点和有向边组成。内部结点表示一个特征或属性，叶节点表示一个类。从根节点到每个叶节点的路径对应了一个判定测试序列。从根节点开始，对实例的某一特征进行测试，根据测试结果，将实例分配到其子节点，这时，每一个子节点对应着该特征的一个取值，如此递归的对实例进行测试并分配，直至达到叶节点，最后将实例分到叶节点的类中。2、算法流程：（决策树的构建）

1、工作原理：以决策树为基学习器构建Bagging集成的基础上，进一步在决策树的训练过程中引入了随机属性选择（对基决策树的每个节点，先从该节点的属性集合中随机选择一个包含k个属性的子集，然后再从这个子集中选择一个最优属性进行划分）。Bagging：基于自助采样法，从原始数据集中采样出S个含m个训练样本的采样集即新数据集，将某个学习算法分别作用于每个数据集得到S个分类器，选择分类器投票结果中