机器学习中涉及到的算法有哪些（特别篇）

机器学习中最重要的算法有两种，第一种是支持向量机算法，第二种是随机森林算法。在这篇文章中我们就重点介绍一下这两种算法的相关知识。希望能够帮助大家更好的理解机器学习。

首先我们介绍一下支持向量机算法（SVM）。就目前而言，支持向量机可能是最受欢迎和最广泛讨论的机器学习算法之一。而超平面是分割输入变量空间的一条线。在SVM中，选择一条可以最好地根据输入变量类别对输入变量空间进行分割的超平面。在二维中，你可以将其视为一条线，我们假设所有的输入点都可以被这条线完全的分开。SVM学习算法找到了可以让超平面对类别进行最佳分割的系数。而支持向量机的超平面和最近的数据点之间的距离被称为间隔。分开两个类别的最好的或最理想的超平面具备最大间隔。只有这些点与定义超平面和构建分类器有关。这些点被称为支持向量，它们支持或定义了超平面。实际上，优化算法用于寻找最大化间隔的系数的值。而SVM也可能是最强大的立即可用的分类器之一，所以十分值得大家去尝试。

然后我们给大家介绍一下Bagging和随机森林，而随机森林是最流行和最强大的机器学习算法之一。它是 Bootstrap Aggregation（又称 bagging）集成机器学习算法的一种。而bootstrap是从数据样本中估算数量的一种强大的统计方法。比如说平均数。大家从数据中抽取大量样本，计算平均值，然后平均所有的平均值以便更好的估计真实的平均值。而bagging 使用同样的方式，不过它估计整个统计模型，最常见的是决策树。在训练数据中抽取多个样本，然后对每个数据样本建模。当我们需要对新数据进行预测时，每个模型都进行预测，并将所有的预测值平均以便更好的估计真实的输出值。而随机森林是对这种方法的一种调整，在随机森林的方法中决策树被创建以便于通过引入随机性来进行次优分割，而不是选择最佳分割点。所以说，对于每一个数据样本创建的模型将会与其他方式得到的有所不同，不过虽然方法独特且不同，它们仍然是准确的。结合它们的预测可以更好的估计真实的输出值。

那么我们在遇到问题的时候需要用什么算法呢？其实这个问题的答案需要考虑很多方面的因素，比如说数据的大小、质量和特性、可用的计算时间、任务的紧迫性等等。所以说我们在进行学习机器学习的时候还是有做好相关知识的储备。