【Predictive algorithms 预测算法】- ①.主旨与概念

三圈理念- { HWW } 思考：

WHAT：是什么

预测算法是一种用于预测未来事件或结果的数学和统计方法。它通过分析历史数据、特征和模式来建立一个模型，并使用该模型来预测未知数据或未来事件的结果。

预测算法的目标是通过已知的信息和数据，对未来的情况进行预测。这些算法可以应用于各种领域，例如金融、销售、市场营销、天气预报、股票市场、医疗诊断等。预测算法可以帮助人们做出决策、制定计划、优化资源分配和提前采取措施。

常见的预测算法包括线性回归、逻辑回归、决策树、随机森林、支持向量机、K近邻算法、神经网络等。这些算法在建立模型时，使用不同的数学和统计技术来拟合数据，并根据模型来进行预测。

预测算法的选择取决于问题的性质、可用数据的类型和数量、算法的适用性以及预测的准确性要求。选择合适的预测算法是建立可靠预测模型的关键。

WHY：为什么

预测算法指的是发现能够区分并预测目标变量的规则或者函数。可以理解为通过某种计算公式或者函数，或者根据某种事物发展规律来进行预测。预测算法在多种场景下都有应用，以下是常见的预测十种算法：

1. 线性回归：通过拟合一条直线来预测目标变量和特征变量之间的关系。
2. 逻辑回归：用于二分类问题，通过拟合一个S形曲线来预测目标变量的概率。
3. 决策树：通过构建一棵树状结构来进行预测，每个节点表示一个特征，每个分支表示一个特征取值。
4. 随机森林：通过构建多棵决策树并进行集成来进行预测，可以解决过拟合问题。
5. 支持向量机：通过找到一个最优超平面来进行分类或回归预测。
6. K近邻算法：通过计算待预测样本与训练样本之间的距离来进行分类或回归预测。
7. 神经网络：通过构建多层神经元网络来进行预测，可以应用于各种类型的问题。
8. 贝叶斯分类器：基于贝叶斯定理，通过计算后验概率来进行分类预测。
9. 梯度提升树：通过迭代地构建一系列决策树并进行集成来进行预测，可以解决回归和分类问题。
10. 马尔可夫模型：用于序列数据的预测，基于马尔可夫链，可以应用于语音识别、自然语言处理等领域。

HOW：如何做

在下面的章节,会深入介绍不同预测算法的效果和概念，并辅以实践。