人工智能常用的29种算法_长篇文总结（全方面讲解）：人工智能机器学习常用算法及各个常用算法精确率对比...

本文内容主要介绍了人工智能机器学习常用算法总结及各个常用算法精确率对比,需要的朋友可以参考下！！！

本文讲解了机器学习常用算法总结和各个常用分类算法精确率对比。收集了现在比较热门的TensorFlow、Sklearn，借鉴了Github和一些国内外的文章。

机器学习的知识树，这个图片是Github上的，有兴趣的可以自己去看一下：

地址：https://github.com/trekhleb/homemade-machine-learning

简单的翻译一下这个树：

提示：以下是一部分算法的概念和应用，仅供大家参考

监督学习

监督学习可以看作是原先的预测模型，有基础的训练数据，再将需要预测的数据进行输入，得到预测的结果（不管是连续的还是离散的）

决策树（Decision Tree，DT）

决策树是一种树形结构，为人们提供决策依据，决策树可以用来回答yes和no问题，它通过树形结构将各种情况组合都表示出来，每个分支表示一次选择（选择yes还是no），直到所有选择都进行完毕，最终给出正确答案。

决策树（decision tree）是一个树结构（可以是二叉树或非二叉树）。在实际构造决策树时，通常要进行剪枝，这时为了处理由于数据中的噪声和离群点导致的过分拟合问题。剪枝有两种：

• 先剪枝——在构造过程中，当某个节点满足剪枝条件，则直接停止此分支的构造。
• 后剪枝——先构造完成完整的决策树，再通过某些条件遍历树进行剪枝。

朴素贝叶斯分类器（Naive Bayesian Model，NBM）

朴素贝叶斯分类器基于贝叶斯定理及其假设（即特征之间是独立的，是不相互影响的），主要用来解决分类和回归问题。

具体应用有：

• 标记一个电子邮件为垃圾邮件或非垃圾邮件；
• 将新闻文章分为技术类、政治类或体育类；
• 检查一段文字表达积极的情绪，或消极的情绪；
• 用于人脸识别软件。

学过概率的同学一定都知道贝叶斯定理，这个在250多年前发明的算法，在信息领域内有着无与伦比的地位。贝叶斯分类是一系列分类算法的总称，这类算法均以贝叶斯定理为基础，故统称为贝叶斯分类。朴素贝叶斯算法（Naive Bayesian) 是其中应用最为广泛的分类算法之一。朴素贝叶斯分类器基于一个简单的假定：给定目标值时属性之间相互条件独立。

最小二乘法（Least squares）

你可能听说过线性回归。最小均方就是用来求线性回归的。如下图所示，平面内会有一系列点，然后我们求取一条线，使得这条线尽可能拟合这些点分布，这就是线性回归。这条线有多种找法，最小二乘法就是其中一种。最小二乘法其原理如下，找到一条线使得平面内的所有点到这条线的欧式距离和最小。这条线就是我们要求取得线。

逻辑回归