weixin_37443412的博客

图卷积网络（Graph Convolutional Networks，GCN）是一种基于图结构数据进行深度学习的方法。GCN 可以在图上进行节点分类、图分类、链接预测、图生成等任务，是当前图神经网络领域中非常重要的一种模型。

奇异值分解（singular value deomposition, SVD）是一种矩阵因子分解方法，是线性代数的概念。任意一个矩阵，可以表示为三个矩阵的乘积（因子分解）形式。矩阵的奇异值分解一定存在，但不唯一，可以看作是矩阵数据压缩的一种方法，即用因子分解的方式近似地表示原始矩阵，这种近似是在平方损失意义下的最优近似。...

聚类属于无监督学习，分为层次聚类和k均值聚类。层次聚类又有聚合（自上而下）和分裂（自下而上）两种方法。

提升方法通过改变训练样本的权重，学习多个分类器，并将这些分类器进行线性组合，提高分类的性能。

支持向量机是一种二类分类模型。他的基本模型是定义在特征空间上的间隔最大的线性分类器，间隔最大使它有别于感知机；支持向量机还宝包括核技巧，使得它实质上是非线性分类器。支持向量机的学习策略就是间隔最大化，可形式化为一个求解凸二次规划问题，也等价于正则化的合页损失函数的最小化问题。    当训练数据线性可分时，通过硬间隔最大化，学习一个线性分类器，即线性可分支持向量机，又称为硬间隔支持向量机。    当训练数据近似线性可分时，通过软间隔最大化，学习一个线性的分类器，即线性支持向量机，又称软间隔支持向量机。 

最大熵模型是由最大熵原理推导实现。

逻辑回归是统计学习中的经典分类方法，属于对数线性模型。

决策树是一种基本的分类与回归方法。决策树学习通常包括3个步骤：特征选择、决策树的生成和决策树的修剪。

朴素贝叶斯法（naive Bayes）是基于贝叶斯定理与特征条件独立假设的分类方法。对于给定的训练数据集，首先基于特征条件独立假设学习输入输出的联合概率分布；然后基于此模型，对于给定的输入x，利用贝叶斯定理求出后验概率最大的输出y。...

k近邻法是一种基本分类和回归方法。k值的选择，距离度量和分类决策规则是k近邻法的三个要素

感知机是二类分类的线性分类模型，输入为是实例的特征向量，输出为实例的类别（取值-1和+1）。对应于输入空间中将实例划分为正负两类的分离超平面，属于判别模型。具有简单而易于实现的优点，分为原始形式和对偶形式。............