beyond谚语的博客

Rennie 等人（2003 年）所描述的补码朴素贝叶斯分类器Complement Naive Bayes 分类器该分类器旨在纠正标准多项式直觉贝叶斯分类器的 “严重假设”。

Bernoulli Naive Bayes：用于多元伯努利模型的Naive Bayes分类器。

Multinomial Naive Bayes：用于多项式模型的Naive Bayes分类器。

高斯朴素贝叶斯Gaussian Naive Bayes (GaussianNB).可通过对模型参数进行在线更新。

决策树（DT）是一种用于分类和回归的非参数监督学习方法。其目标是创建一个模型，通过学习从数据特征中推断出的简单决策规则来预测目标变量的值。一棵树可以看作是一个片断常数近似值。

和支持向量分类(Nu-Support Vector Classification)，与 SVC 类似，但使用来控制支持向量的数量，其实现基于libsvm。

线性支持向量机，Linear Support Vector Classification.与参数内核为线性的SVC类似()，但使用而非libsvm实现，因此和是类似的，只不过LinearSVC()是通过liblinear实现的；而SVC(kernel=’linear’)通过libsvm实现的；相较于SVC(kernel=’linear’)，LinearSVC)(在选择惩罚和损失函数时更具灵活性，并能更好地扩展到大量样本。

支持向量机Support Vector Machine，就是所谓的SVM，它指的是一系列的机器学习算法，根据解决问题的不同，分为SVC(分类)和SVR(回归)SVC，Support Vector Classification，其本质也是支持向量机，只不过是用于分类任务SVR，Support Vector Regression，其本质也是支持向量机，只不过是用于回归任务本专栏主要是分类算法的总结，主要介绍SVC（C-支持向量分类器）其实现基于libsvm。

逻辑回归分类算法理论+实战

K近邻算法，k-nearest neighbor，即K-NN通俗来说：给定一个元素，然后以该元素坐标为圆心开始画圆，其中K值是超参数需要人为给定，圆的半径逐渐增大(距离度量采用欧氏距离)，直到包含其他K个元素为止，然后看所包含的K个元素都属于哪些类别，根据决策规则(采用少数服从多数原则)，看K个元素属于哪些类别多，那么x就归为哪类。应用场景：已知有两个类别绿色五边形和蓝色六边形，新加入一个橙色元素x，问x可归为哪一类？