机器学习必学10大算法

本文介绍了 10 大常用机器学习算法，包括线性回归、Logistic 回归、线性判别分析、朴素贝叶斯、KNN、随机森林等。

　　1. 线性回归

　　在统计学和机器学习领域，线性回归可能是最广为人知也最易理解的算法之一。

　　预测建模主要关注的是在牺牲可解释性的情况下，尽可能最小化模型误差或做出最准确的预测。我们将借鉴、重用来自许多其它领域的算法(包括统计学)来实现这些目标。

　　线性回归模型被表示为一个方程式，它为输入变量找到特定的权重(即系数 B)，进而描述一条最佳拟合了输入变量(x)和输出变量(y)之间关系的直线。

　　线性回归

　　例如：y = B0 + B1 * x

　　我们将在给定输入值 x 的条件下预测 y，线性回归学习算法的目的是找到系数 B0 和 B1 的值。

　　我们可以使用不同的技术来从数据中学习线性回归模型，例如普通最小二乘法的线性代数解和梯度下降优化。

　　线性回归大约有 200 多年的历史，并已被广泛地研究。在使用此类技术时，有一些很好的经验规则：我们可以删除非常类似(相关)的变量，并尽可能移除数据中的噪声。线性回归是一种运算速度很快的简单技术，也是一种适合初学者尝试的经典算法。

　　2. Logistic 回归

　　Logistic 回归是机器学习从统计学领域借鉴过来的另一种技术。它是二分类问题的首选方法。

　　像线性回归一样，Logistic 回归的目的

文章来源: aaaedu.blog.csdn.net，作者：tea_year，版权归原作者所有，如需转载，请联系作者。

原文链接：aaaedu.blog.csdn.net/article/details/105018548