MatLab机器学习实践代码

机器学习主题思维导图

监督学习
在监督学习中，我们有一组训练数据作为输入，一组标签或每个训练集的“正确答案”作为输出。 然后我们正在训练我们的模型（机器学习算法参数）以正确地将输入映射到输出（以进行正确的预测）。 最终目的是找到这样的模型参数，即使对于新的输入示例，这些参数也能成功地继续正确的输入→输出映射（预测）。

回归
在回归问题中，我们进行实值预测。基本上，我们尝试沿着训练示例绘制一条线/平面/n 维平面。

使用示例：股价预测、销售分析、任意数字的依赖等。

实践代码
线性回归——例如：房价预测。

分类
在分类问题中，我们按特定特征分割输入示例。

使用示例：垃圾邮件过滤器、语言检测、查找相似文档、手写字母识别等。

实践代码
逻辑回归——示例：微芯片健康检测、使用一对多方法的手写数字识别。

无监督学习
无监督学习是机器学习的一个分支，它从尚未标记、分类或分类的测试数据中学习。 无监督学习不是响应反馈，而是识别数据中的共性，并根据每个新数据中这些共性的存在与否做出反应。

聚类
在聚类问题中，我们通过未知特征分割训练示例。算法本身决定用于分裂的特征。

使用示例：市场细分、社交网络分析、组织计算集群、天文数据分析、图像压缩等。

实践代码
K-means 算法——示例：将数据分成三个集群。

异常检测
异常检测（也称为异常值检测）是识别与大多数数据显着不同而引起怀疑的稀有项目、事件或观察结果。

使用示例：入侵检测、欺诈检测、系统健康监控、从数据集中移除异常数据等。

实践代码
使用高斯分布的异常检测——例如：检测过载的服务器。

神经网络
神经网络本身不是算法，而是许多不同机器学习算法协同工作并处理复杂数据输入的框架。

使用示例：作为一般所有其他算法的替代，图像识别、语音识别、图像处理（应用特定风格）、语言翻译等。

实践代码
神经网络：多层感知器 (MLP) — 示例：手写数字识别。

详情参阅 - 亚图跨际