最近开始学习机器学习,在B站上找了视频,一边学习,一边记录,一边完成毕设。
机器学习解决的基本问题
1、分类
把一个输入映射为离散的类别
解决分类的算法有很多,比如KNN、支持向量机、决策树、朴素贝叶斯、逻辑回归、深度学习、图像分类、神经网络。
分类的评估指标,比如交叉熵、混淆矩阵、ROC、AUC、f1-score
2、回归
指的是要预测一个连续的值
回归可以用多种算法来解决,比如支持向量机、决策树、线性回归、岭回归、神经网络、以及我们很早以前学习的最小二乘。
3、聚类
把没有标签的数据自组织的聚成一簇,属于无监督学习
K-means聚类,谱聚类,DBSCAN 、核密度估计、高斯混合模型都可以解决聚类问题。
4、降维
把高维的数据压缩成2维或3维或者更低级的维度。如果压缩成为2维或3维,将便于我们的可视化。
强化学习
独立于监督学习和无监督学习
总结
离散&监督学习:分类
离散&非监督学习:聚类
连续&监督学习:回归
连续&非监督学习:降维
标签:离散,机器,回归,分类,学习,案例,监督,聚类 来源: https://blog.csdn.net/weixin_44809488/article/details/115584243
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。