常用的机器学习算法及其框架

机器学习发展到今天，大致可以分为以下两大类:传统的机器学习算法和深度学习算法

传统机器学习算法常用的有：（包括但不限于）

参考： https://blog.youkuaiyun.com/jrunw/article/details/79205322

1.SVＭ（支持向量机support vector machine）

要将两类分开，想要得到一个超平面，最优的超平面是到两类的 margin 达到最大，margin就是超平面与离它最近一点的距离；它主要应用于二分类问题，通过定位两类数据在几何空间中的边缘，来确定分类器。恰好能“最好地”将两类数据分开，这样的超平面（或曲面）就是SVM分类器。

这样的超平面在两类数据之间，同时应该具备如下两个条件：

• 最近距离最远：两类数据中，每类数据都有一个点距离该超平面的距离是最近的，而“最好的”超平面要这个两个最近距离的和尽可能的远；
• 等距：超平面距离两类数据最近的点的距离是相等的；

2.Adaboost(级联算法)

级联增强就是把若干个分类效果并不好的分类器综合起来考虑，会得到一个效果比较好的分类器。

3.决策树

根据一些 feature 进行分类，每个节点提一个问题，通过判断，将数据分为两类，再继续提问。这些问题是根据已有数据学习出来的，再投入新数据的时候，就可以根据这棵树上的问题，将数据划分到合适的叶子上。

4.随机森林

在源数据中随机选取数据，组成几个子集，S 矩阵是源数据，有 1-N 条数据，A B C 是feature，最后一列C是类别，由 S 随机生成 M 个子矩阵，这 M 个子集得到 M 个决策树。
将新数据投入到这 M 个树中，得到 M 个分类结果，计数看预测成哪一类的数目最多，就将此类别作为最后的预测结果成 M 个子矩阵。

5.逻辑回归

当预测目标是概率这样的，值域需要满足大于等于0，小于等于1的，这个时候单纯的线性模型是做不到的，因为在定义域不在某个范围之内时，值域也超出了规定区间。

这个模型需要满足两个条件 大于等于0，小于等于1
大于等于0 的模型可以选择 绝对值，平方值，这里用 指数函数，也一定大于0
小于等于1 用除法，分子是自己，分母是自身加上1，那一定是小于1的了

转存失败重新上传取消转存失败重新上传取消转存失败重新上传取消

再做一下变形，就得到了 logistic regression 模型

转存失败重新上传取消转存失败重新上传取消