九道门丨数据分析师必须知道的十大算法（一）

数据分析师们在解决任何问题时都需要一套技能，在进行数据分析时，我们必须了解用于解决不同类型问题的各种机器学习算法，因为某一种算法可能并不是适用于所有类型问题，我们需要找到一个最合适的。
这些算法可从我们正在使用数据集中找到各种不同的应用，例如预测，分类，聚类等。顶级数据分析算法

1.线性回归线性回归方法用于通过使用自变量的值来预测因变量的值，线性回归模型适用于预测连续量的值，线性回归模型以方程式给出的直线表示数据集的输入变量（x）和输出变量（y）之间的关系如：y = b0 + b1x在这个式子中，y是我们要预测其值的因变量，x是自变量，其值用于预测因变量，b0和b1是常数，其中b0是Y轴截距，b1是斜率。
该方法的主要目的是找到b0和b1的值，以找到将覆盖或最接近大多数数据点的最佳拟合线。

2. Logistic回归线性回归通常用于表示某些连续值之间的关系。
   但是，Logistic回归则适用于离散值。
   逻辑回归在解决二元分类问题中应用非常广泛，即当一个事件只有两种可能性时，该事件将发生或将不会发生（0或1）。
   因此，在Logistic回归中，我们通过使用称为logistic函数的非线性变换函数将预测值转换为介于0到1范围内的值。
   逻辑函数产生S形曲线，因此也称为等式给出的Sigmoid函数，
   如？（x）= 1/1 + e ^ -xLogistic回归的方程是P（x）= e ^（b0 + b1x）/ 1 + e ^（b0 + b1x）其中b0和b1是系数，逻辑回归的目标是找到这些系数的值。

3.决策树

决策树有助于解决帮助数据分析师们分类和预测问题，它可以轻松理解数据，以提高预测的准确性。
决策树的每个节点代表一个要素或属性，每个链接代表一个决策，每个叶节点拥有一个类标签，即结果。
它的的缺点是存在过度拟合的问题，基本上，这两种数据分析算法最常用于实现决策树。
ID3（迭代二分法3）算法使用熵和信息增益作为决策指标。Cart（分类和回归树）算法使用基尼系数作为决策指标。

4.朴素贝叶斯朴素贝叶斯算法有助于建立预测模型，当我们要计算将来某个事件发生的概率时，我们会使用此数据分析算法。
在这里，我们假设已经知道另一个事件已经发生，朴素贝叶斯算法的假设是每个特征都是独立的，并且对最终预测有各自的贡献。
朴素贝叶斯定理表示为：P（A | B）= P（B | A）P（A）/ P（B）其中A和B是两个事件。
P（A | B）是后验概率，即给定B已经发生的A的概率。
P（B | A）是似然性，即在已经存在A的情况下B的概率。
P（A）是概率之前的类别。P（B）是预测变量先验概率。

5. KNN该数据分析算法同时使用分类和回归问题，KNN算法将完整的数据集视为训练数据集。

使用KNN算法训练模型后，我们就可以尝试预测新数据点的结果了。
在这里，KNN算法搜索整个数据集以标识该数据点的k个最相似或最接近的近似值。
然后根据这k个实例预测结果，为了找到数据实例的近似值，我们可以使用各种距离度量，例如欧几里得距离，汉明距离等。 为了更好地理解，让我们考虑以下示例。
在这里，我们分别用圆形和正方形表示了两个类A和B。
让我们假设k的值为3。
现在，我们将首先找到最接近新数据项的三个数据点，并将它们围成一个虚线圆。
在这里，新数据项的三个最接近点属于A类。
因此，可以说新数据点也将属于A类。
现在你们可能都在想我们如何假设k = 3，k值的选择是非常关键的，我们应该采用k的值，使其既不会太小也不会太大，另一种更简单的方法是使k =√n，其中n是数据点的数量。

剩下的5种我们明天继续说哦~关注“九道门聊数据”多了解数据分析行业的发展哦。