机器学习常见模型

1、线性模型

线性模型是机器学习最基本的算法类型,它试图学到一个通过多个特征(属性)计算的线性组合来预测的函数,简单的线性回归形式如y=ax+b,其中,x代表特征,而y代表结果,一旦a和b的值能到确定,模型即得以确定,此时若输入新的x就可以推算新的y。如果变量仅有一个,则称为一元线性回归,若存在超过一个的自变量,即将x、y、a、b均扩展为向量,则称为多元线性回归。

使用线性回归能够预测数据趋势​,还可以处理分类问题。除线性回归外,经典的线性模型中还包括逻辑回归,逻辑回归可以视为广义的线性回归,其表现形式与线性回归相似,但使用逻辑函数将ax+b映射为一个隐状态,再根据隐状态的大小计算模型取值,其损失函数是最小化负的似然函数。

线性模型的缺点是难以预测复杂的行为,并容易出现过拟合。

2、 决策树

决策树是另一类常见的机器学习方法,其模型是一个树型结构(见图8-3)​,也可看作有向无环图,其中树的节点表示某个特征,而分叉路径代表不同的判断条件,数据将从根节点行进到叶节点,依据特征进行判断,最终在叶节点得到预测结果。常见的决策树算法有ID3、C4.5和CART等,其区别主要在于依据什么指标来指导节点的分裂。例如,ID3以增熵原理来确定分裂的方式,C4.5在ID3基础上定义了信息增益率,避免分割太细导致的过拟合,而CART使用的则是类似熵的基尼指数。

与线性模型类似,决策树也包括分类树和回归树,其优势是易于理解、实现,也易于评测,但缺点是训练最优的决策树可以被证明为完全NP问题,因此只能使用启发式算法,并且容易过拟合,通过对特征的选择、对数据的选择和对模型的剪枝能够缓解。此外,决策树的平衡

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值