一句话——机器学习概念理解1

个人理解，便于记忆

1.支持向量机（线性）——寻找与样本几何间隔最大的超平面

 2.朴素贝叶斯分类——使用朴素贝叶斯公式计算样本为某个标签的概率，即使用先验信息求解后验信息

3.逻辑回归——线性回归（极大似然之类）+Sigmoid函数

4.K近邻——根据样本分布，少数服从多数

5.决策树——某一特征下标签的信息熵最小，说明这个特征为最佳判别依据

6.随机森林——多个决策树共同投票决策

7.弱监督学习——标签不可靠（标签可以是错误的、不唯一的、没有的）

8.半监督学习——部分有标签、部分无标签

9.无监督学习——特征分类，但不知道分类的是什么

10.准确率——正确的/错误的

11.精确率——机器角度，分为正例的样本中判断正确的比例

12.召回率——用户角度，提供的正例样本中判断正确的的比例

13.判别模型——一个模型给出各个类别的概率，关注于类别差异

14.生成模型——每个类别都有一个模型，关注于类别本身

15.ROC曲线——假阳性与真阳性的曲线