机器学习:需要从已知的数据 学习出需要的模型
在线算法:需要及时处理收集的数据,并给出预测或建议结果,并更新模型
通用的在线学习算法步骤如下:
1. 收集和学习现有的数据
2. 依据模型或规则,做出决策,给出结果
3. 根据真实的结果,来训练和学习规则或模型
常用的在线学习算法:
Perceptron: 感知器
PA: passive Perceptron
PA-I
PA-II
Voted Perceptron
confidence-weighted linear linear classification: 基于置信度加权的线性分类器
Weight Majority algorithm
AROW:adaptive regularization of weighted vector 加权向量的自适应正则化
"NHERD":Normal Herd 正态
这里收集了一些算法伪代码,代码然后配上语言描述,就清晰多了。
感知器Perceptron:
线性分类器,是一个利用超平面来进行二分类的分类器,每次利用新的数据实例,预测,比对,更新,来调整超平面的位置。
相对于SVM,感知器不要每类数据与分类面的间隔最大化。