机器学习-朴素贝叶斯

1 使用场景

https://www.nowcoder.com/discuss/175759

EM: 一种含有隐含变量的概率模型参数的极大似然估计法，主要应用于在机器学习以及计算机视觉的数据聚类领域。

lr:通过拟合样本的某个曲线，然后使用LR 进行区间缩放，用于分类，主要用在点击率预估和推荐系统。

SVM:找到样本空间中的一个超平面，实现样本的分类，也可以做回归，用于文本分类。

nn：找到某种非线性模型拟合数据，主要用于图像处理。

nb：朴素贝叶斯：通过找到样本所属的联合分布，然后通过贝叶斯公式计算样本的后验概率，进行分类，用于文本分类。

dt:决策树：构建一棵树，在节点按照，某种规则(一般使用信息熵) 来进行样本划分，实质是在样本空间进行块状划分，主要用来分类，也有做回归，但更多的是作为弱分类器用在model embedding 中。

rf:随机森林，由许多决策树构成的森林，每个森林中训练的样本是从整体样本中抽样得到的，每个节点需要进行划分的特征也是抽样得到的，这样子就使得每棵树都具有独特的领域知识，从而有更好的泛化能力。

gdbt:梯度提升决策树，实际上由多棵树构成，和rf 不同的是，每棵树训练样本是上一棵树的残差，这体现了梯度的思想，同时最后的结果是用所有的树进行组合或者投票得出，主要用在推荐，相关性。

knn: k 最近邻，最简单的ml 方法，对未知标签的样本，看与它最近的·k 个样本( 使用某种距离公式） 中哪种标签最多，它就属于这类。

https://www.cnblogs.com/xubing-613/p/6675506.html