超级会员免费看
本文详述了无监督学习中的聚类算法（K-means）、关联规则算法（Apriori、FP-Growth）及其优缺点，以及优化方法。接着介绍了有监督学习中的分类算法（决策树、SVM、KNN、朴素贝叶斯、逻辑回归）、回归算法（线性回归、多项式回归）和集成算法（Bagging、Boosting），探讨了各自的特点、应用场景和优化策略。内容涵盖了算法选择、预处理、K值确定和核函数等关键点。
文章目录
算法思维导图：
一、无监督算法：
1、聚类算法：Kmeans
Kmeans中心思想：事先确定常数K，常数K意味着最终的聚类类别数，首先随机选定初始点为质心，并通过计算每一个样本与质心之间的相似度(这里为欧式距离)，将样本点归到最相似的类中，接着，重新计算每个类的质心(即为类中心)，重复这样的过程，直到质心不再改变，最终就确定了每个样本所属的类别以及每个类的质心。
优点：
1、算法原理简单、处理速度较快
2、当聚类是密集的，且类与类之间区别明显时，效果较好
缺点：
1、在K-means算法中，K是事先给定的，比较难确定
2、对孤立点比较敏感，噪声敏感（中心点易偏移）
3、结果不稳定，初始值的选定对结果有一些影响，结果不一定全局最优，只能保证局部最优（与k的个数及初选值有关）
4、空间复杂度o(N)
订阅专栏 解锁全文
扫一扫
2万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
