机器学习算法的简单介绍

常用机器学习算法

监督学习

分类

1. 支持向量机

对线性和非线性数据的二分类问题都支持
但对于多分类问题效果不佳
主要用于 文本分类，图像识别，目标检测

2. 人工神经网络

很强的非线性拟合能力,鲁棒性强
无法解释模型，需要大量训练样本
主要用于图像识别，自然语言处理，语音识别

3. 逻辑回归

计算量小，训练快
容易欠拟合，精度不高，只能处理二分类
欺诈监测，疾病风险判断

4. 决策树

很强的解释性，擅长处理缺失值样本
容易过拟合
基于规则的个人信用评估

5. K近邻

用于线性和非线性数据的多分类
对异常值不敏感，计算量大，需要大量内存
用于人群分类

6. 随机森林

不容易过拟合，大量缺失值也能有高准确率
主要用于图像识别，疾病风险判断

7. 朴素贝叶斯

擅长小数据集，适合多分类任务
对输入格式敏感
情感分析，垃圾邮件监测

预测

1. 线性回归

实现简单，计算快
无法实现非线性数据的拟合
这个很多都能用到

2. 回归树

不易过拟合
疾病风险判断

无监督学习

聚类

1. K-Means聚类

算法简单快
但是需给出K的个数

2. DBSCAN聚类
3. Birch聚类

降维

1. 主成分分析

简单易实现，但解释性较弱

2. 因子分析

解释性强