机器学习一 简介

1、机器学习目的

      教会计算机根据以往的经验来执行指定的任务。

2、决策树

      一种预测模型，常用的分类方法。树形结构。

    例如：性别和年龄哪个特征对预测用户会下载哪个app更有效？

3、朴素贝叶斯

      二八原则：在任何一组东西中，最重要的只占其中一小部分，约20%，其余80%尽管是多数，却是次要的。

4、梯度下降（最优算法）

      问题→过程→解决方案

     最小化误差的通用算法是梯度下降算法。

5、线性回归

      最小二乘法：坐标中，散列点到直线距离的平方。

6、对数几率回归（逻辑回归）

     最小化的不是错误数目，而是能代表错误数目的对数损失函数。

7、支持向量机SVM

    最近的点到直线的距离（梯度下降算法）

    ♥特点：逻辑回归与支持向量机SVM都有观察数据，并把它们一分为二的特点，而支持向量机SVM会严格观察边界数据进行划分。

8、核函数

      可以很好地划分数据，并且在多维空间中得到了很好的运用。

      特点：增加维度将一部分数据上升，一部分下降进行分类。

9、神经网络

      输入层→隐藏层（中间层）→输出层

      特点：设置多个标签进行观察数据，并划分数据区域。