全国服务热线:020-66889888

带你掌握机器学习的基本算法

日期:2019-11-30 08:19 人气:

机器学习是一种人工智能。本质上,这意味着计算机无需编程就能学习概念。一旦这些计算机程序接触到新数据,它们就会改变它们的“思维”(或输出)。为了实现机器学习,算法是必要的。该算法被写入计算机,并给定解析数据时要遵循的规则。

带你掌握机器学习的基础算法

机器学习算法经常用于预测分析,预测分析是基于输入变量估计输出变量的过程。在商业中,预测分析可以用来告诉企业未来最有可能发生什么。例如,使用预测分析算法,在线t恤零售商可以使用当前数据来预测下个月他们将销售多少t恤。

带你掌握机器学习的基础算法

机器学习的基本算法;

线性模型算法

线性模型使用简单的公式通过一组数据点找到最佳拟合线。你想要预测的变量(例如烘烤蛋糕需要多长时间)可以通过已知的变量方程(例如原材料)来确定。为了找到预测量,输入已知变量得到答案。

不同的形式有不同的线性模型算法:

线性回归

线性回归,也称为最小二乘回归,是线性模型的最标准形式。对于回归问题,线性回归是最简单的线性模型。

带你掌握机器学习的基础算法

逻辑回归

逻辑回归是一种线性回归,已经简单地针对分类问题进行了调整。由于其结构,逻辑回归非常适合于分类问题

线性回归和逻辑回归的缺点

两者都有过度拟合的趋势,这意味着模型太适合数据,并牺牲了扩展到以前未知数据的能力,这意味着它们有一定的惩罚来防止过度拟合。线性模型的另一个缺点是它们太简单,无法预测更复杂的行为。

树模型

树模型有助于探索数据集和可视化预测的决策规则。当你听到关于树模型的一些事情时,你可以把它想象成一个决策树或者一系列的分支操作。树模型非常精确、稳定且易于解释。与线性模型相反,它们可以映射非线性关系来解决问题。

带你掌握机器学习的基础算法

决策图表

决策树是使用分支方法显示决策的每个可能结果的图表。为了创建或训练决策树,可以使用来自过去训练模型的数据,以及哪些属性可以最好地分割目标训练集。然后画出所有可能符合要求的结果。