機器學習的常見算法有哪些？
在機器學習領域，有句話叫世界上沒有免費的午餐。簡而言之，它意味著沒有算法能在每個問題上取得最好的效果，這在監督學習中尤為重要。比如你不能說神經網絡永遠比決策樹好，反之亦然。模型運行受數據集大小和結構等多種因素影響。所以你要根據自己的問題嘗試很多不同的算法，同時用數據測試集來評估性能，選擇最好的。下面就由小編為您介紹機器學習的常見算法有哪些？
機器學習的常見算法有哪些？
01 線性回歸
線性回歸可能是統計學和機器學習中最知名和最易理解的算法之一。
由于預測建模主要關注最小化模型的誤差，或者以可解釋性為代價來做出最準確的預測。 我們會從許多不同領域借用、重用和盜用算法，其中涉及一些統計學知識。
線性回歸用一個等式表示，通過找到輸入變量的特定權重（B），來描述輸入變量（x）與輸出變量（y）之間的線性關系。
02 邏輯回歸
邏輯回歸是機器學習從統計領域借鑒的另一種技術。 這是二分類問題的專用方法（兩個類值的問題）。
邏輯回歸與線性回歸類似，這是因為兩者的目標都是找出每個輸入變量的權重值。 與線性回歸不同的是，輸出的預測值得使用稱為邏輯函數的非線性函數進行變換。
邏輯函數看起來像一個大S，并能將任何值轉換為0到1的范圍內。這很有用，因為我們可以將相應規則應用于邏輯函數的輸出上，把值分類為0和1（例如，如果IF小于0.5，那么 輸出1）并預測類別值。
03 分類和回歸樹
決策樹是機器學習的一種重要算法。
決策樹模型可用二叉樹表示。對，就是來自算法和數據結構的二叉樹，沒什么特別。 每個節點代表單個輸入變量（x）和該變量上的左右孩子（假定變量是數字）。
04 線性判別分析
傳統的邏輯回歸僅限于二分類問題。 如果你有兩個以上的類，那么線性判別分析算法（Linear Discriminant Analysis，簡稱LDA）是首選的線性分類技術。LDA的表示非常簡單。 它由你的數據的統計屬性組成，根據每個類別進行計算。 對于單個輸入變量，這包括：每類的平均值、跨所有類別計算的方差。以上就是小編為您介紹的機器學習的常見算法有哪些？
[免責聲明]
文章標題： 機器學習的常見算法有哪些？
文章內容為網站編輯整理發布，僅供學習與參考，不代表本網站贊同其觀點和對其真實性負責。如涉及作品內容、版權和其它問題，請及時溝通。發送郵件至36dianping@36kr.com，我們會在3個工作日內處理。
