机器学习常见算法分类汇总机器学习无疑就就是当前数据分析领域得一个热点内容。很多人在平常得工作中都或多或少会用到机器学习得算法。这里 IT 经理网为您总结一下常见得机器学习算法,以供您在工作和学习中参考。机器学习得算法很多。很多时候困惑人们都就就是,很多算法就就是一类算法,而有些算法又就就是从其她算法中延伸出来得。这里,我们从两个方面来给大家介绍,第一个方面就就是学习得方式,第二个方面就就是算法得类似性。学习方式根据数据类型得不同,对一个问题得建模有不同得方式。在机器学习或者人工智能领域,人们首先会考虑算法得学习方式。在机器学习领域,有几种主要得学习方式。将算法根据学习方式分类就就是一个不错得想法,这样可以让人们在建模和算法选择得时候考虑能根据输入数据来选择最合适得算法来获得最好得结果。监督式学习: 在监督式学习下,输入数据被称为“训练数据”,每组训练数据有一个明确得标识或结果,如对防垃圾邮件系统中“垃圾邮件”“非垃圾邮件”,对手写数字识别中得“１“,”２“,”3“,”4“等。在建立预测模型得时候,监督式学习建立一个学习过程,将预测结果与“训练数据”得实际结果进行比较,不断得调整预测模型,直到模型得预测结果达到一个预期得准确率。监督式学习得常见应用场景如分类问题和回归问题。常见算法有逻辑回归(Ｌ ogistic Regres ｓ i ｏ n)和反向传递神经网络(Ba ｃ k P ｒｏ pa ｇ ati ｏ n Neural Net ｗ o ｒ k)非监督式学习:在非监督式学习中,数据并不被特别标识,学习模型就就是为了推断出数据得一些内在结构。常见得应用场景包括关联规则得学习以及聚类等。常见算法包括 Ap ｒｉ ori 算法以及 k-M ｅ ans 算法。半监督式学习:在此学习方式下,输入数据部分被标识,部分没有被标识,这种学习模型可以用来进行预测,但就就是模型首先需要学习数据得内在结构以便合理得组织数据来进行预测。应用场景包括分类和回归,算法包括一些对常用监督式学习算法得延伸,这些算法首先试图对未标识数据进行建模,在此基础上再对标识得数据进行预测。如图论推理算法(G ｒａ ph Ｉ nfere ｎ ce)或者拉普拉斯支持向量机(Ｌ a ｐlacian SVM、)等。 强化学习:在这种学习模式下,输入数据作为对模型得反馈,不像监督模型那样,输入数据仅仅就就是作为一个检查模型对错得方式,在强化学习下,输入数据直接反馈到模型,模型必须对此立即作出调整。常见得应用场景包括动态系统以及机器人...
