EncodingLee的博客

谱聚类是一种基于图论和线性代数的聚类方法，它利用数据的相似性构造图结构，并通过谱分解（特征值分解）来进行聚类。相较于传统的 K-Means 方法，谱聚类能够更好地处理非凸形状的簇，尤其适用于高维、非线性可分的数据。谱聚类的发展经历了多个关键阶段，从早期的图划分问题到现代机器学习中的应用，主要包括以下几个方面：1）图划分理论的起源谱聚类的思想起源于图割问题，研究如何将图划分为若干个连通性较强的子图。早期方法包括 最小割、均衡割和归一化割等。2）线性代数方法的引入。

神经网络

主成分分析法

支持向量机下

支持向量机理论基础

随机森林(Random Forest)是一种集成学习(Ensemble Learning)方法，它结合了决策树和随机性的特点。随机森林是由多棵决策树组成的集合，每棵树都是独立训练的，并且最终的预测结果是通过投票或取平均值的方式得到的。

决策树（Decision Tree）是一种机器学习和数据挖掘中常用的预测模型和分类方法，它模拟了人类在做决策时的思维过程，通过一系列规则和条件来对数据进行分类和预测。决策树可以用于分类问题（将数据分成不同的类别）和回归问题（预测数值型数据），因此它在多个领域都有广泛的应用。

朴素贝叶斯分类器是一种监督式机器学习，它常常被用于分类任务，比如，文本分类。它也是一种生成式机器学习算法，换句话说，通过该模型可以寻找给定类别特征的分布。

归一化主要依赖于数据的最大值与最小值进行线性缩放，而标准化则基于数据的整体分布特性（如均值与标准差）进行调整。相较而言，标准化对异常值（outliers）具有更强的鲁棒性，因此在大多数应用场景中，通常优先采用标准化方法[2]。从图1-1至图1-3可以观察到，原始数据与经过Max-Min归一化和标准化处理后的数据在整体形状上高度相似，但位置不同，尚不足以严格证明它们来源于同一分布。在时间序列建模学习过程中，笔者发现一则具有启发意义的观点[1]，特此摘录，以供进一步研究与深入理解数据归一化的本质。

Logistic回归是分类模型，该算法易行、高效。

首先多线性回归模型进行推导，然后利用UCI中红葡萄酒训练集来构造模型。