文章编号：2678 / 分类：技术教程 / 更新时间：2024-05-17 14:44:08 / 浏览：次

恭喜您成为首批注册用户

在本节中，我们将学习最常见的机器学习算法。算法如下所述-

线性回归它是统计和机器学习中最著名的算法之一。

基本概念-主要是线性回归是一个线性模型，假设输入变量x和单个输出变量y之间的线性关系。换句话说，y可以由输入变量x的线性组合来计算。变量之间的关系可以通过拟合最佳线来确定。

线性回归有以下两种类型-

线性回归主要用于基于连续变量估计实际值。例如，可以通过线性回归来估计一天内基于实际价值的商店总销售额。

Logistic回归它是一种分类算法，也称为logit回归。

主要逻辑回归是一种分类算法，用于根据给定的一组自变量来估计离散值，如0或1，真或假，是或否。基本上，它预测的概率因此它的输出在0和1之间。

决策树决策树是一种监督学习算法，主要用于分类问题。

基本上它是一个基于自变量表示为递归分区的分类器。决策树具有形成根树的节点。有根树是一个带有称为“根”节点的定向树。Root没有任何传入边缘，所有其他节点都有一个传入边缘。这些节点被称为树叶或决策节点。例如，考虑下面的决策树来判断一个人是否适合。

它用于分类和回归问题。但主要用于分类问题。SVM的主要概念是将每个数据项绘制为n维空间中的一个点，每个特征的值是特定坐标的值。这里n将是功能。以下是了解SVM概念的简单图形表示-

在上图中，有两个特征，因此首先需要在二维空间中绘制这两个变量，其中每个点都有两个坐标，称为支持向量。该行将数据分成两个不同的分类组。这条线将是分类器。

朴素贝叶斯这也是一种分类技术。这种分类技术背后的逻辑是使用贝叶斯定理来构建分类器。假设是预测变量是独立的。简而言之，它假设类中某个特征的存在与任何其他特征的存在无关。以下是贝叶斯定理的等式-

朴素贝叶斯模型易于构建，特别适用于大型数据集。

它用于问题的分类和回归。它被广泛用于解决分类问题。该算法的主要概念是它用来存储所有可用的案例，并通过其k个邻居的多数选票来分类新案例。然后将该情况分配给通过距离函数测量的K近邻中最常见的类。距离函数可以是欧几里得，明可夫斯基和海明距离。考虑以下使用KNN-

顾名思义，它用于解决聚类问题。它基本上是一种无监督学习。K-Means聚类算法的主要逻辑是通过许多聚类对数据集进行分类。按照这些步骤通过K-means形成聚类-

随机森林它是一个监督分类算法。随机森林算法的优点是它可以用于分类和回归两类问题。基本上它是决策树的集合(即森林)，或者可以说决策树的集合。随机森林的基本概念是每棵树给出一个分类，并且森林从它们中选择最好的分类。以下是随机森林算法的优点-

违法和不良信息举报电话：173-0602-2364|

相关标签： AI人工智能最常见的机器学习算法、

本文地址：https://www.badfl.com/article/3b5434034e608a6f9ec5.html

上一篇：AI人工智能数据预处理技术...
下一篇：AI人工智能机器学习的类型ML...