【分类算法】什么是分类算法

定义

分类算法的本意就是对我们的数据分进行分类。把它们分到已知的每一个类别。就像一个篮子里面有很多橙子和苹果，机器会通过我们训练出来的模型，对篮子里的水果进行分类。比如：红色 = 苹果，橙色 = 橙子。若要让机器直到这种规则，我们就需要一定量的带标签的“红/橙”标签的数据。然后让模型学习，噢，原来是这种分类规则。
所以分类算法往往需要“带标签”的数据。它是一个监督学习的过程。目标数据都有哪些特征以及这些特征对应什么标签都必须是已知的。然后模型会遍历每一笔数据，最终得到我们我们所认为的规则。所以分类算法往往拥有更精确的计算结果。只是数据的局限性更高，若无法满足的话，我们则需要考虑聚类分析。

分类与聚类

这里的对比其实是复制我的另外一篇文章。（【聚类算法】什么是聚类）

对比项	分类	聚类
基础	将数据分类为众多已定义的确定类之一	此函数将数据映射到多个集群中的一个集群，其中数据项的排列依赖于它们之间的相似性。
类型	监督学习	非监督学习
训练集	需要	不需要

分类过程

• 数据准备 - 准备你要分类的数据。这些数据必须要带标签的
• 数据分类 - 把数据划分成训练集和测试集。这里有很多种划分规则。（后续我就训练集与测试集的划分分享一篇文章，敬请期待）
• 训练模型 - 把训练集数据传进模型当中，让模型直到我们需要的规则。
• 测试模型 - 使用测试集测试模型的效果，并调整模型
• 输出模型 - 把训练好的模型打包并输出

方法

分类的方法有很多。但很多都是从线性回归为基础拓展出来的，比如逻辑回归。这里稍微预告一下我会分享的分类算法：

• 逻辑回归
• 支持向量机(SVM)
• KNN
• 决策树
• 随机森林
• Xgboots
• 贝叶斯
• 神经网络（这个有难度，希望能分享）
  点我阅读更多算法分享