LeonJay2012-CSDN博客

原创朴素贝叶斯分类

概要：是一种分类算法。对于给出的待分类项，求解在此项出现的条件下各个类别出现的概率，哪个最大，就认为此待分类项属于哪个类别。应用场景：分类。优点：朴素贝叶斯模型发源于古典数学理论，有稳定的分类效率。对小规模的数据表现很好，能个处理多分类任务，适合增量式训练，尤其是数据量超出内存时，我们可以一批批的去增量训练对缺失数据不太敏感，

2017-04-13 18:37:38 436

原创聚类分析

概要：聚类分析仅根据在数据中发现的描述对象及其关系的信息，将数据对象分组。其目标是，组内的对象相互之间是相似的（相关的），而不同组中的对象是不同的（不相关的）。组内的相似性（同质性）越大，组间差别越大，聚类就越好。应用场景：聚类。聚类分析的3种大类和其代表技术：划分聚类法。K均值。是基于原型的、划分的聚类技术。它试图发现用户

2017-04-13 18:36:09 10038

原创 KNN最近邻

概要：是一种分类算法。给定一个训练数据集，对新的输入实例，在训练数据集中找到与该实例最邻近的k个实例，这k个实例的多数属于某个类，就把该输入实例分为这个类。应用场景：分类。优点：简单，易于实现，无需估计参数，无需训练。新样本添加无需训练，是在线更新。缺点：KNN算法是懒惰学习方法，分类的速度比积极学习

2017-04-13 18:34:28 389

原创决策树

概要：是一种分类算法，它基于特征对实例进行分类。决策树的学习通常包括3个步骤：特征选择、决策树的生成和决策树的修剪。应用场景：分类。优点：模型具有可读性、准确性高。分类速度快。缺点：处理缺失值有困难。存在过拟合的问题。对噪声敏感。关于特征选择：计算每一个特征的信息增益（或信

2017-04-13 18:33:36 571

原创 Logistic 回归

概要：logistic回归是一种分类方法，主要用于两分类问题。把线性模型的结果压缩到[0,1]之间，使其拥有了概率意义。应用场景：分类。优点：实现简单，广泛地应用于工业问题上。分类时计算量非常小，速度很快，存储资源低。便利的观测样本概率分数。缺点：当特征空间很大时，性能不是很好。容易欠拟合，一般

2017-04-13 18:28:57 256

原创支持向量机

概要：是一种二元分类模型，线性分类和非线性分类都支持。经过演进，SVM也可以支持多元分类，同时经过扩展，也能应用于回归问题。应用场景：分类。优点：可以解决小样本情况下的机器学习问题。可以提高泛化能力。可以解决高维问题。可以解决非线性问题。缺点：对缺失数据敏感。对非线性问题没有通用解决方案，必须

2017-04-13 18:20:19 3280

原创人工神经网络

概要：人工神经网络是一种模拟大脑神经元的计算机结构。人们用神经网络来建立模型，使用模型来训练数据，最后可以使得模型具备某种人们想要的预测分类的能力。应用场景：分类。优点：可以充分逼近任意复杂的非线性关系。所有定量或定性的信息都等势分布贮存于网络内的各神经元，故有很强的鲁棒性和容错性。采用并行分布处理方法，使得快

2017-04-13 18:13:58 3432

less is more