本文涵盖了机器学习中的各种模型，包括回归、正则化、决策树、集成模型、聚类、分类、支持向量机、图模型、关联规则、贝叶斯、降维、推荐系统、神经网络和深度学习。这些模型各有特点，如正则化防止过拟合，集成模型提高准确性，神经网络和深度学习用于复杂任务。
回归模型
应用于数据的预测。
正则化模型
通过引入惩罚措施，可以防止模型的过拟合，提高模型的泛化性。
决策树模型
既可以用于预测，也可以用于分类。
集成模型
将多个弱模型集成在一起，从而极大提高模型的泛化性和准确度。并且天然避免模型的过拟合。
典型的：Random Forest 随机森林
聚类模型 Clustering Algorithms
通过距离度量判断哪些样本是一类。
典型的：K-Means聚类法
分类模型 Instance-based Algorithms
给定一个代测样本，判断代测样本是属于哪一类。
典型的：KNN法
支持向量机模型 Support Vector Machines
用于市维数据的分类，比如图片分类，人脸识别等。
图模型 Graphical models
应用于路径问题
关联规则学习模型 Association Rule Learning Algorithms
比如沃尔码，啤酒和尿布的案例。
最低0.47元/天 解锁文章
816
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
