《机器学习100天》—学习笔记

有监督学习

数据预处理

大部分模型算法使用两点间的欧式距离表示，但此特征在幅度、单位和范围姿态问题上变化很大。在家距离计算中，高幅度的特征比低幅度特征权重更大。可用特征标准化或Z值归一化解决。

简单线性回归

多元线性回归

逻辑回归

逻辑回顾被用来处理不同的分类问题，这里的目的是预测当前被观察的对象属于哪一个组。它会给你提供一个离散的二进制输出结果。

K近邻法（k-NN）

支持向量机（SVM）

决策树

随机森林

无监督学习

无监督学习允许在对结果无法预知时接近问题。无监督算法只基于输入数据找到模式。当无法确定寻找内容时，这个技术很有用。

聚类算法用于把族群或数据点分隔成一系列的组，使得相同簇中的数据点比其他的组更相似。基本上，目的是分隔具有相似形状的组，并且分配到簇中。

K-均值聚类

在K-均值聚类算法中，把所有项分成k个簇，使得相同簇中的所有项彼此尽量相似，而不同簇的项尽量不同。

距离测量（类似欧式距离）用于计算数据点的相似度和相异度。每个簇有一个形心，形心可理解为最能代表簇的点。

层次聚类

参考资料
100-Days-Of-ML-Code