分类问题
分类是有监督的学习过程（是否有监督,就看输入数据是否有标签）
首先要有一批已经有标签结果的数据，如果缺少已知信息（1）考虑使用其他方法，如聚类算法。（2）老驴处理数据，如人工进行标注
二分类---要回答的问题只有是或者否
多分类---在二分类的基础上，将标签可选范围扩大
多标签分类---多标签分类下的一条数据可以被标注上多个标签
KNN算法、决策树算法、随机森林、SVM等都是为解决分类问题设计的
聚类问题
聚类是无监督
聚类是把一个数据集划分为多个组的过程
使得组内的数据尽量高度集中，和其他组的数据之间尽量远离
互斥----小组与小组没有交集
相交-----小组和小组之间有交集
层次-----一个大组还可以细分成若干个小组
模糊-----一个用户并不绝对属于某个小组，只是用概率来表示他和某个小组的关系
基于划分的聚类，通常用于互斥的小组
基于密度的聚类，可以用来解决数据形状不均匀的情况
基于层级的聚类，适用于需要对数据细分的情况
使用自顶向下的方法，使得全部的数据只有一个组，然后分裂成更小的组，直到满足要求
使用自底向上的方法，最开始每一条数据都是一个组，然后把离得近的组合并起来，直到满足条件
基于模型的聚类
假设数据符合某种概率分布模型，比如高斯分布或者正态分布，按照这个概率分布对数据进行聚类
回归问题
在使用回归方法得到函数方程式以后,可以根据对新数据运算的结果进行区间分段：高于某个阈值给定一个标签，低于该阈值给定另外一个标签
对于分类方法得到的标签，可以根据给定标签的概率值为其增加一些运算逻辑，将标签转换到一个连续值得结果上
| 分类 | 回归 | |
| 输出 | 离散数据 | 连续数据 |
| 目的 | 寻找决策边界 | 找出最优拟合 |
关联问题
关联分析是一种无监督学习，目标是挖掘隐藏在数据中的关联模式并加以利用
在已有的数据中寻找出数据的相关关系，以期望能够使用这些规则去提升效率和业绩
广泛地用于各种商品销售分析、相关推荐系统分析、用户行为分析等
模型集成
或者叫集成学习
思路：合并多个模型来提升整体的效果
Bagging（袋装法）
Boosting（增强法）
Staking（堆叠法）
训练的多个模型既可以进行横向扩展，也可以进行串行增强，最终在使用分类或者回归的方法把前面模型的结果进行整合，其中的每一个模型可以使用不同的算法，对于结构也没有特定的规则
标签：需求,小组,标签,模型,分类,适合,算法,聚类,数据 来源： https://www.cnblogs.com/ning-cli/p/15961138.html
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。