3.3.1.对监督学习的回顾和复习

image.png

0.机器学习回顾：

监督学习：

从训练数据中学习模型，对测试数据进行预测 监督：每个样本均有一个已知的输出项（类标签）

（1）分类模型（分类器）：二分类，多分类 决策树算法，KNN算法，SVM算法，感知机，神经网络 逻辑斯特回归（分类模型，主要二分类，ovr-one vs rest） 朴素贝叶斯（分类模型，求解分类概率）

（2）回归模型（回归器）：输出变量是连续值的情况

线性回归：简单线性回归、多元线性回归

非监督学习：人们给机器一大堆没有分类标记的数据，让机器可以对数据进行分类、检测异常

非监督：不关注类标签（不关注样本的输出） 注意：如果数据是有标签的，是否可以进行无监督学习？

答案是没有问题的

（1）聚类分析：KMean

（2）数据降维（特征提取）：PCA,SVD,LDA

PCA主成分分析==>（数据降维)

相当于数据的压缩，特征的提取

把相关的特征压缩，从而形成我们的二维特征。

SVD奇异值分解

隐含狄利克雷分布(Latent Dirichlet Allocation，以下简称LDA

文章来源: www.jianshu.com，作者：百忍成金的虚竹，版权归原作者所有，如需转载，请联系作者。

原文链接：www.jianshu.com/p/6e7d4a26dd91