一、Python分类预测模型特点
模型 |
模型特点 |
位于 |
逻辑回归 |
比较基础的线性分类模型,很多时候是简单有效的选择 |
Sklearn.linear_model |
SVM |
强大的模型,可以用来回归、预测、分类等,而根据选取不同的核函数,模型可以是线性的/非线性的 |
Sklearn.svm |
决策树 |
基于“分类讨论、逐步细化”思想的分类模型,模型直观、易解释 |
Skearn.tree |
随机森林 |
思想与决策树类似,精度通常比决策树要高,缺点是由于其随机性,丧失了决策树的可解释性 |
Sklearn.ensemble |
朴素贝叶斯 |
基于概率思想的简单有效的分类模型,能够给出容易理解的概率解释 |
Sklearn.naive_bayes |
神经网络 |
具有强大的拟合能力,可以用于拟合、分类等,他有很多个增强版本,如递神经网络、卷积神经网络、自编码器等,这些都是深度学习的模型基础 |
Keras |
二、聚类分析
1.常用聚类分析算法
与分类不同,聚类分析是在没有给定划分类别的情况下,根据数据相似度进行样本分组的一种方法。与分类模型需要使用有类标记样本构成的训练数据不同,聚类模型可以建立在无类标记的数据上,是一种无监督的学习算法。聚类的输入是一组未被标记的样本,聚类根据数据自身的距离或相似度将其划分为若干组,划分的原则是组内距离最小化而组间(外部)距离最大化。
常用聚类方法如下表所示:
类别 |