机器学习的十大算法数据挖掘的十大算法

带着尴尬地进来，带着尴尬地出门.

不了解核心技术的程序员只是代码农民.

数学的基本理论已广为人知，并且将通过机器学习来理解. 机器学习就像一篇英语文章. 您可以学习英语单词和语法. 您可以阅读任何英语文章.

本文介绍了机器学习新手需要了解的十大算法，包括线性回归，逻辑回归，朴素贝叶斯，K最近邻算法等.

在机器学习中，有一个定理叫做“没有免费的午餐”. 简而言之，它指出没有一种算法可以有效地解决所有问题，尤其是在监督学习（即预测建模）中.

例如，您不能说神经网络总是比决策树更好，反之亦然. 工作中有很多因素，例如数据集的大小和结构.

因此，您应该针对特定问题尝试各种不同的算法，并预留数据“测试集”以评估效果并选择获胜者.

当然，您尝试的算法必须适合您的问题，即选择正确的机器学习任务. 例如，如果您需要打扫房屋，则可以使用吸尘器，扫帚或拖把，但是您不会拿出铁锹开始挖掘.

一般原则

但是，还有一个通用原则是所有监督型机器学习算法的预测建模的基础.

机器学习算法被描述为学习目标函数f，该函数最好将输入变量X映射到输出变量Y: Y = f（X）

这是一项常见的学习任务，我们可以基于输入变量X的新样本来预测Y. 我们不知道函数f的外观或形式. 如果知道，我们将直接使用它，而无需使用机器学习算法来从数据中学习.

最常见的机器学习算法是学习映射Y = f（X）以预测新X的Y. 这称为预测建模或预测分析，我们的目标是尽可能进行最准确的预测.

对于想了解机器学习基础知识的初学者，本文将概述数据科学家使用的十大机器学习算法.

1. 线性回归

线性回归可能是统计和机器学习中最著名和可理解的算法之一.

预测建模着重于最大程度地减少模型错误或做出最准确的预测，但以可解释性为代价. 我们将在许多不同领域（包括统计信息）中借鉴和重用算法，并将其用于这些目的.

线性回归的表达式是一个方程，描述了一条直线，该直线通过找到输入变量的比重（称为系数B）来最好地表示输入变量x和输出变量y之间的关系.

线性回归

例如: y = B0 + B1 * x

我们将根据输入x预测y. 线性回归学习算法的目标是找到系数B0和B1的值.

可以使用不同的技术从数据中学习线性回归模型，例如用于普通最小二乘法的线性代数解和梯度下降优化.

线性回归已经存在了200多年，并且已经进行了广泛的研究. 这种技术的一些经验是尽可能多地消除非常相似（相关）的变量并消除噪声. 这是一种快速简单的技术，您可以先尝试.

2. 逻辑回归

逻辑回归是机器学习从统计中借用的另一种技术. 是解决二进制分类问题的首选方法.

逻辑回归与线性回归相似. 目的是找到每个输入变量的权重，即系数值. 与线性回归不同，逻辑回归使用称为逻辑函数的非线性函数来转换输出预测.

逻辑函数看起来像一个大S，并且可以将任何值转换为0到1的间隔. 这非常实用，因为我们可以指定逻辑函数的输出值为0和1（例如，如果输入小于0.5，则输出为1）并预测类别值.

逻辑回归

由于学习模型的方式算法的数据包括哪些，逻辑回归预测还可以用作给定数据实例（属于类别0或1）的概率. 这对于需要更多预测依据的问题很有用.

类似于线性回归，当删除与输出变量不相关的属性和非常相似（相关）的属性时，逻辑回归的效果更好. 这是一种快速学习的模型，对于二进制分类问题非常有效.

3. 线性判别分析（LDA）

逻辑回归是一种分类算法. 传统上，它仅限于两种类型的分类问题. 如果您有两个以上的类别，则线性判别分析是首选的线性分类技术.

LDA的表达非常简单明了. 它由数据的统计属性组成，并针对每个类别进行计算. 单个输入变量的LDA包括:

每个类别的平均值；

所有类别的差异.

线性判别分析

预测方法是计算每个类别的判别值算法的数据包括哪些，并预测最大值的类别. 此技术假定数据是高斯曲线（钟形曲线），因此最好事先从数据中删除离群值. 这是处理分类预测建模问题的简单而有效的方法.

4. 分类回归树

决策树是用于预测建模机器学习的重要算法.

决策树模型的表示是一个

本文来自电脑杂谈，转载请注明本文网址：
http://www.pc-fly.com/a/jisuanjixue/article-172939-1.html