机器学习的常见算法有哪些？

      在机器学习领域，有句话叫世界上没有免费的午餐。简而言之，它意味着没有算法能在每个问题上取得最好的效果，这在监督学习中尤为重要。比如你不能说神经网络永远比决策树好，反之亦然。模型运行受数据集大小和结构等多种因素影响。所以你要根据自己的问题尝试很多不同的算法，同时用数据测试集来评估性能，选择最好的。下面就由小编为您介绍机器学习的常见算法有哪些？

来也科技-数字化劳动平台

2.2

6条点评

咨询产品

免费试用

解决用户选型困难的好软件，有各维度的信息

客户案例

5

合作品牌

58

机器学习的常见算法有哪些？

01 线性回归

     线性回归可能是统计学和机器学习中最知名和最易理解的算法之一。

     由于预测建模主要关注最小化模型的误差，或者以可解释性为代价来做出最准确的预测。 我们会从许多不同领域借用、重用和盗用算法，其中涉及一些统计学知识。

    线性回归用一个等式表示，通过找到输入变量的特定权重（B），来描述输入变量（x）与输出变量（y）之间的线性关系。

02 逻辑回归

     逻辑回归是机器学习从统计领域借鉴的另一种技术。 这是二分类问题的专用方法（两个类值的问题）。

     逻辑回归与线性回归类似，这是因为两者的目标都是找出每个输入变量的权重值。 与线性回归不同的是，输出的预测值得使用称为逻辑函数的非线性函数进行变换。

     逻辑函数看起来像一个大S，并能将任何值转换为0到1的范围内。这很有用，因为我们可以将相应规则应用于逻辑函数的输出上，把值分类为0和1（例如，如果IF小于0.5，那么 输出1）并预测类别值。

03 分类和回归树

      决策树是机器学习的一种重要算法。

     决策树模型可用二叉树表示。对，就是来自算法和数据结构的二叉树，没什么特别。 每个节点代表单个输入变量（x）和该变量上的左右孩子（假定变量是数字）。

04 线性判别分析

      传统的逻辑回归仅限于二分类问题。 如果你有两个以上的类，那么线性判别分析算法（Linear Discriminant Analysis，简称LDA）是首选的线性分类技术。LDA的表示非常简单。 它由你的数据的统计属性组成，根据每个类别进行计算。 对于单个输入变量，这包括：每类的平均值、跨所有类别计算的方差。以上就是小编为您介绍的机器学习的常见算法有哪些？