本文介绍了机器学习的基础知识，包括有监督和无监督学习的概念。接着详细讲解了各种机器学习算法，如线性回归、逻辑回归、决策树、随机森林、K-Means、梯度增强算法、KNN、SVM、朴素贝叶斯和降维算法，阐述了它们的工作原理和应用场景。
机器学习以及相关算法
机器学习简介
机器学习是人工智能的一个分支。机器学习是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、计算复杂性理论等多门学科。机器学习算法是一类从数据中自动分析获得规律，并利用规律对未知数据进行预测的算法。现实问题抽象为数学问题，机器解决数学问题从而解决现实问题。
机器学习算法
有监督学习是机器学习任务的一种。它从有标记的训练数据中推导出预测函数。有标记的训练数据是指每个训练实例都包括输入和期望的输出。一句话：给定数据，预测标签。有监督学习的结果可分为两类：分类或回归。
无监督学习是机器学习任务的一种。它从无标记的训练数据中推断结论。最典型的无监督学习就是聚类分析，它可以在探索性数据分析阶段用于发现隐藏的模式或者对数据进行分组。一句话：给定数据，寻找隐藏的结构。无监督学习有聚类和降维。
线性回归
回归的目的是为了预测，比如预测明天的天气温度，预测股票的走势。回归之所以能预测是因为他通过历史数据，摸透了“套路”，然后通过这个套路来预测未来的结果。
线性关系不仅仅只能存在 2 个变量（二维平面）。3 个变量时（三维空间），线性关系就是一个平面，4 个变量时（四维空间）。
逻辑回归
逻辑回
最低0.47元/天 解锁文章
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
