文末有福利
中文版:
很多话打算用自己的话来说,不做推导证明,只做大概原理解释以及用途说明。
1、C4.5
用于产生决策树的一种算法
再举个例子:比如选对象,先判断长的帅不帅,如果很丑,就可以在你这里pass掉,如果它长的很帅,就是一个比较好的选择,这个时候咱们再就考虑它的身高,身高大于某个值(如一米八),就认为它是好的选择,否则就放弃。(不引战,只是为了大家更好的记忆)
2、k-means
应用:客户分群
是一个聚类算法,聚类是“无监督学习”,事先不知道将要分成哪些类。
以空间中k个点为中心进行聚类,对最靠近他们的对象归类,通过迭代的方法,逐次更新各聚类中心的值,直到得到最好的聚类结果。
优点在于可以取得局部的最优,缺点在于非凸集的处理。
3、SVM支持向量机
把已知物体根据属性标记在坐标系中,然后画一条线。画的这条线要尽可能的把不同物体全部分开。也就是让距离线最近的点的距离之和最大。更适用于小样本,做分类问题。
4、KNN
应用:推荐系统
- KNN用于分类和回归,需要考虑最近的邻居。
- 分类就是编组。
- 回归就是预测结果(如数字)。
- 特征抽取意味着将物品(如水果或用户)转换为一系列可比较的数字。
- 能否挑选合适的特征事关KNN算法的成败。
5、贝叶斯分类器
应用:垃圾邮件过滤器
假设不同特征之间是独立的,通过先验概率P(A)、P(B)和似然条件概率推算出后验概率出P(A|B)。
6、EM算法
EM算法分为两步,一个是E,一个是M,它用于估计含有隐变量的概率模型参数的极大似然估计,或者极大后验概率估计。
区别于最大似然估计,最大似然是在已有观测值的情况下,我们假设出现这个观测值的概率最大,在这种构建似然函数,进行参数的估计。
而如果概率模型中既含有观测值,又含有隐变量或潜在变量时,就可以使用EM算法来求解概率模型的参数。
更详细的可参考这篇文章:人人都懂EM算法
亦也参加我的这篇关于EM算法的文章:我要自学生信之数据挖掘:一文读懂EM算法
持续补充中~
英文版:
英文原版:https://pan.baidu.com/s/1VDBV9t0RqCeZqrU40jOjbw 提取码:6xl0