原文 joydeep bhattacharjee
千平 编译整理
量子位 出品 | 公众号 QbitAI
所谓机器学习算法就是一个假设集合,用于找到最优模型。机器学习算法可以分为三大类。
-
监督学习:输入特征和输出标签都被定义
-
无监督学习:数据集未标注,目标是发现隐藏关系
-
强化学习:某种形式的反馈回路,有些参数需要优化
这篇文章尝试对一些常见和流行的机器学习算法,进行简单的介绍。
普通最小二乘线性回归
-
线性回归的目标,是拟合一条线,穿过训练集数据分布的区域,并且与大多数点的距离最短
-
在简单线性回归中,回归线最小化与各点距离的总和,即“残差平方”的总和。因此,这种方法也被称为“普通最小二乘”
-
在多维数据的情况下,也可以实现线性回归。不过在这种情况夏,“线”只是维度为N-1的高维平面,而N是数据集的维度
逻辑回归
-
逻辑回归虽然名为回归,但其实是一种分类技术
-
与线性回归相反,逻辑回归不假设自变量和因变量之间存在线性关系。不过假定了决策面是线性的
支持向量机
-
支持向量机(SVM)是一种有监督的机器学习算法,既能解决分类问题,又能解决回归问题
-
在SVM中,我们将数据点绘制在N维空间中,其中N代表特征数量;然后找到一个超平面来区分数据点
-
当数据的维度高于数据点数时,这是一个很好的算法
-
由于需要处理高维空间,这个算法计算代价高昂
K-means聚类
-
尝试把数据分为围绕K个质心的K个组
-
有点类似于“物以类聚,人以群分”
K-means聚类算法的实现非常简单。
-
随机挑选K个质心
-
然后将数据点分配给距离最近的质心
-
根据平均位置重新计算质心
-
迭代直到质心位置不再更改
用于预测时,只要找到距离最近的质心。
决策树
-
决策树是一个树形结构的分类器
-
决策树对一个实例或示例的分类,从树根开始直到抵达叶片节点,也就是目标价值
-
决策树模仿了人类,所以这个模型很容易理解
-
小树比大树好,树越大精度越低
这些就是一些关键的机器学习算法,这些算法就像刀叉一样,各有利弊,适用于不同的场景。
如果你还有更多的疑问和兴趣,可以跟作者邮件讨论。他的Twitter地址是:https://twitter.com/alt227Joydeep
— 完 —
加入社群
量子位AI社群11群开始招募啦,欢迎对AI感兴趣的同学,加小助手微信qbitbot4入群;
此外,量子位专业细分群(自动驾驶、CV、NLP、机器学习等)正在招募,面向正在从事相关领域的工程师及研究人员。
进群请加小助手微信号qbitbot4,并务必备注相应群的关键词~通过审核后我们将邀请进群。(专业群审核较严,敬请谅解)
诚挚招聘
量子位正在招募编辑/记者,工作地点在北京中关村。期待有才气、有热情的同学加入我们!相关细节,请在量子位公众号(QbitAI)对话界面,回复“招聘”两个字。

量子位 QbitAI · 头条号签约作者
վ'ᴗ' ի 追踪AI技术和产品新动态