kNN算法:就看测试向量距哪种更近,前k个最近的点中哪类多,预测结果就是哪类。
决策树:选择用来划分数据集的最好特征(最大的\(infoGain = baseEntropy - newEntropy\)),对该特征的每一个值创建一个子节点,递归至label完全相同或已用完所有特征。
朴素贝叶斯:if \(p\left( c_{1} \middle| x,y \right) > p\left( c_{2} \middle| x,y \right)\),则属于类别c2。假设:每个特征相互独立且同等重要。
\[p\left( c_{i} \middle| x,y \right) = \frac{p\left( x,y \middle| c_{i} \right)p(c_{i})}{p(x,y)} \rightarrow \ p\left( x \middle| c_{i} \right) \bullet p\left( y \middle| c_{i} \right) \bullet p(c_{i})\]
[](https://img2018.cnblogs.com/blog/1153181/201908/1153181-20190830141201516-360577489.pngLogistic回归:将回归系数特征向量的乘积和代入Sigmoid函数,利用Sigmoid构成测试集的联合概率—极大似然概率,按极大似然增加的梯度*alpha(步长)增大回归系数后进行迭代,直到迭代完所有样本。本质是:在训练样本下的极大似然概率最大时的回归系数。
转载于:https://www.cnblogs.com/charleechan/p/11434715.html