機器學習演算法簡介

有兩種方法可以對你現在遇到的所有機器學習演算法進行分類。

• 第一種演算法分組是學習風格的。

• 第二種演算法分組是通過形式或功能相似。

通常，這兩種方法都能概括全部的演算法。但是，我們將重點關注通過相似性對演算法進行分組。

通過學習風格分組的機器學習演算法

演算法可以通過不同的方式對問題進行建模，但是，無論我們想要什麼結果都需要資料。此外，演算法在機器學習和人工智慧中很流行。讓我們來看看機器學習演算法中的三種不同學習方式：

監督學習

基本上，在監督機器學習中，輸入資料被稱為訓練資料，並且具有已知的標籤或結果，例如垃圾郵件/非垃圾郵件或股票價格。在此，通過訓練過程中準備模型。此外，還需要做出預測。並且在這些預測錯誤時予以糾正。訓練過程一直持續到模型達到所需水平。

示例問題：分類和迴歸。

示例演算法：邏輯迴歸和反向傳播神經網路。

無監督學習

在無監督機器學習中，輸入資料未標記且沒有已知結果。我們必須通過推導輸入資料中存在的結構來準備模型。這可能是提取一般規則，但是我們可以通過數學過程來減少冗餘。

示例問題：聚類，降維和關聯規則學習。

示例演算法：Apriori演算法和k-Means。

半監督學習

輸入資料是標記和未標記示例的混合。存在期望的預測問題，但該模型必須學習組織資料以及進行預測的結構。

示例問題：分類和迴歸。

示例演算法：其他靈活方法的擴充套件。

由功能的相似性分組的演算法

ML演算法通常根據其功能的相似性進行分組。例如，基於樹的方法以及神經網路的方法。但是，仍有演算法可以輕鬆適應多個類別。如學習向量量化，這是一個神經網路方法和基於例項的方法。

迴歸演算法

迴歸演算法涉及對變數之間的關係進行建模，我們在使用模型進行的預測中產生的錯誤度量來改進。

這些方法是資料統計的主力，此外，它們也已被選入統計機器學習。最流行的迴歸演算法是：

普通最小二乘迴歸（OLSR）；

線性迴歸；

Logistic迴歸；

逐步迴歸；

多元自適應迴歸樣條（MARS）；

區域性估計的散點圖平滑（LOESS）；

基於例項的演算法

該類演算法是解決例項訓練資料的決策問題。這些方法構建了示例資料的資料庫，它需要將新資料與資料庫進行比較。為了比較，我們使用相似性度量來找到最佳匹配並進行預測。出於這個原因，基於例項的方法也稱為贏者通吃方法和基於記憶的學習，重點放在儲存例項的表示上。因此，在例項之間使用相似性度量。最流行的基於例項的演算法是：

k-最近鄰（kNN）；

學習向量量化（LVQ）；

自組織特徵對映（SOM）；

本地加權學習（LWL）；

正則化演算法

我在這裡列出了正則化演算法，因為它們很流行，功能強大。並且通常對其他方法進行簡單的修改，最流行的正則化演算法是：

嶺迴歸；

最小絕對收縮和選擇運算元（LASSO）；

彈性網迴歸；

最小角迴歸（LARS）；

決策樹演算法

決策樹方法用於構建決策模型，這是基於資料屬性的實際值。決策在樹結構中進行分叉，直到對給定記錄做出預測決定。決策樹通常快速準確，這也是機器學習從業者的最愛的演算法。最流行的決策樹演算法是：

分類和迴歸樹（CART）；

迭代Dichotomiser 3（ID3）；

C4.5和C5.0（強大方法的不同版本）；

卡方自動互動檢測（CHAID）；

決策樹樁；

M5；

條件決策樹；

貝葉斯演算法

這些方法適用於貝葉斯定理的問題，如分類和迴歸。最流行的貝葉斯演算法是：

樸素貝葉斯；

高斯樸素貝葉斯；

多項樸素貝葉斯；

平均一依賴估計量（AODE）；

貝葉斯信念網路（BBN）；

貝葉斯網路（BN）；

聚類演算法

幾乎所有的聚類演算法都涉及使用資料中的固有結構，這需要將資料最佳地組織成最大共性的組。最流行的聚類演算法是：

K-均值；

K-平均；

期望最大化（EM）；

分層聚類；

關聯規則學習演算法

關聯規則學習方法提取規則，它可以完美的解釋資料中變數之間的關係。這些規則可以在大型多維資料集中被發現是非常重要的。最流行的關聯規則學習演算法是：

Apriori演算法；

Eclat演算法；

人工神經網路演算法

這些演算法模型大多受到生物神經網路結構的啟發。它們可以是一類模式匹配，可以被用於迴歸和分類問題。它擁有一個巨大的子領域，因為它擁有數百種演算法和變體。最流行的人工神經網路演算法是：

感知機；

反向傳播；

Hopfield神經網路；

徑向基函式神經網路（RBFN）

深度學習演算法

深度學習演算法是人工神經網路的更新。他們更關心構建更大更復雜的神經網路。最流行的深度學習演算法是：

深玻爾茲曼機（DBM）；

深信仰網路（DBN）；

卷積神經網路（CNN）；

堆疊式自動編碼器；

降維演算法

與聚類方法一樣，維數減少也是為了尋求資料的固有結構。通常，視覺化維度資料是非常有用的。此外，我們可以在監督學習方法中使用它。

主成分分析（PCA）；

主成分迴歸（PCR）；

偏最小二乘迴歸（PLSR）；

Sammon Mapping；

多維縮放（MDS）；

投影追蹤；

線性判別分析（LDA）；

高斯混合判別分析（MDA）；

二次判別分析（QDA）；

費舍爾判別分析（FDA）；

常用機器學習演算法列表

樸素貝葉斯分類器機器學習演算法

通常，網頁、文件和電子郵件進行分類將是困難且不可能的。這就是樸素貝葉斯分類器機器學習演算法的用武之地。分類器其實是一個分配總體元素值的函式。例如，垃圾郵件過濾是樸素貝葉斯演算法的一種流行應用。因此，垃圾郵件過濾器是一種分類器，可為所有電子郵件分配標籤“垃圾郵件”或“非垃圾郵件”。基本上，它是按照相似性分組的最流行的學習方法之一。這適用於流行的貝葉斯概率定理。

K-means：聚類機器學習演算法

通常，K-means是用於聚類分析的無監督機器學習演算法。此外，K-Means是一種非確定性和迭代方法，該演算法通過預定數量的簇k對給定資料集進行操作。因此，K-Means演算法的輸出是具有在簇之間分離的輸入資料的k個簇。

支援向量機學習演算法

基本上，它是用於分類或迴歸問題的監督機器學習演算法。SVM從資料集學習，這樣SVM就可以對任何新資料進行分類。此外，它的工作原理是通過查詢將資料分類到不同的類中。我們用它來將訓練資料集分成幾類。而且，有許多這樣的線性超平面，SVM試圖最大化各種類之間的距離，這被稱為邊際最大化。

SVM分為兩類：

• 線性SVM：線上性SVM中，訓練資料必須通過超平面分離分類器。

• 非線性SVM：在非線性SVM中，不可能使用超平面分離訓練資料。

Apriori機器學習演算法

這是一種無監督的機器學習演算法。我們用來從給定的資料集生成關聯規則。關聯規則意味著如果發生專案A，則專案B也以一定概率發生，生成的大多數關聯規則都是IF_THEN格式。例如，如果人們購買iPad，那麼他們也會購買iPad保護套來保護它。Apriori機器學習演算法工作的基本原理：如果專案集頻繁出現，則專案集的所有子集也經常出現。

線性迴歸機器學習演算法

它顯示了2個變數之間的關係，它顯示了一個變數的變化如何影響另一個變數。

決策樹機器學習演算法

決策樹是圖形表示，它利用分支方法來舉例說明決策的所有可能結果。在決策樹中，內部節點表示對屬性的測試。因為樹的每個分支代表測試的結果，並且葉節點表示特定的類標籤，即在計算所有屬性後做出的決定。此外，我們必須通過從根節點到葉節點的路徑來表示分類。

隨機森林機器學習演算法

它是首選的機器學習演算法。我們使用套袋方法建立一堆具有隨機資料子集的決策樹。我們必須在資料集的隨機樣本上多次訓練模型，因為我們需要從隨機森林演算法中獲得良好的預測效能。此外，在這種整合學習方法中，我們必須組合所有決策樹的輸出，做出最後的預測。此外，我們通過輪詢每個決策樹的結果來推匯出最終預測。

Logistic迴歸機器學習演算法

這個演算法的名稱可能有點令人困惑，Logistic迴歸演算法用於分類任務而不是迴歸問題。此外，這裡的名稱“迴歸”意味著線性模型適合於特徵空間。該演算法將邏輯函式應用於特徵的線性組合，這需要預測分類因變數的結果。

結論

我們研究了機器學習演算法，並瞭解了機器學習演算法的分類：迴歸演算法、基於例項的演算法、正則化演算法、決策樹演算法、貝葉斯演算法、聚類演算法、關聯規則學習演算法、人工神經網路演算法、深度學習演算法、降維演算法、整合演算法、監督學習、無監督學習、半監督學習、樸素貝葉斯分類器演算法、K-means聚類演算法、支援向量機演算法、Apriori演算法、線性迴歸和Logistic迴歸。熟悉這類演算法有助你成為機器學習領域的專家！

轉自：雲棲社群 ；

END

關聯閱讀：

原創系列文章：

資料運營 關聯文章閱讀：

資料分析、資料產品 關聯文章閱讀：

合作請加qq：365242293  

更多相關知識請回復：“ 月光寶盒 ”；

資料分析（ID : ecshujufenxi ）網際網路科技與資料圈自己的微信，也是WeMedia自媒體聯盟成員之一，WeMedia聯盟覆蓋5000萬人群。