机器学习算法

概要

1、分类（Classification）

监督学习，给定了非连续（离散）的属性值，通过一定的逻辑将样本进行归类

2、回归（Regression）

监督学习，产生连续连续的结果，通常是一条回归曲线，和分类问题相似

3、聚类（Clustering）

无监督学习，没有给定属性值，通过一定的标准将样本划分为不同的集合，同一集合内样本像似，不同集合样本相异

4、降维（Dimensionality Reduction）

用维数更低的子空间来表示原来高维的特征空间

分类算法介绍

分类算法是监督学习中的一种常见算法。它通过给定的非连续（离散）属性值，通过一定的逻辑将样本进行归类。分类算法可以应用于各种领域，如图像识别、自然语言处理等。以下是一些常见的分类算法：

• 决策树（Decision Tree）
• 朴素贝叶斯（Naive Bayes）
• 支持向量机（Support Vector Machine）
• K最近邻（K-Nearest Neighbors）
• 随机森林（Random Forest）

回归算法介绍

回归是监督学习中的一种算法，产生连续连续的结果，通常是一条回归曲线。与分类问题相似，回归问题在各种领域中都有应用，如金融预测、销售预测等。以下是一些常见的回归算法：

• 线性回归（Linear Regression）
• 逻辑回归（Logistic Regression）
• 多项式回归（Polynomial Regression）
• 支持向量回归（Support Vector Regression）
• 决策树回归（Decision Tree Regression）