在了解了机器学习的环境平台构建以及涵盖范围之后,我们再给大家分享一下机器学习的方法,希望通过对本文的阅读,大家对于机器学习方法能够有更全面的了解,下面就开始今天的主要内容吧。
回归算法
在大部分机器学习课程中。回归算法都是介绍的一个算法。
原因有两个:
一.回归算法比較简单。介绍它能够让人平滑地从统计学迁移到机器学习中。
二.回归算法是后面若干强大算法的基石。假设不理解回归算法。无法学习那些强大的算法。回归算法有两个重要的子类:即线性回归和逻辑回归。
线性回归就是我们前面说过的房价求解问题。怎样拟合出一条直线佳匹配我全部的数据一般使用“小二乘法”来求解。
“小二乘法”的思想是这样的,假设我们拟合出的直线代表数据的真实值。而观測到的数据代表拥有误差的值。为了尽可能减小误差的影响,须要求解一条直线使全部误差的平方和小。小二乘法将优问题转化为求函数极值问题。函数极值在数学上我们通常会採用求导数为0的方法。
神经网络
神经网络(也称之为人工神经网络。ANN)算法是80年代机器学习界非常流行的算法,只是在90年代中途衰落。如今。携着“深度学习”之势。神经网络重装归来。又一次成为强大的机器学习算法之中的一个。
神经网络的诞生起源于对大脑工作机理的研究。
早期生物界学者们使用神经网络来模拟大脑。机器学习的学者们使用神经网络进行机器学习的实验。发如今视觉与语音的识别上效果都相当好。在BP算法(加速神经网络训练过程的数值算法)诞生以后,神经网络的发展进入了一个热潮。BP算法的发明人之中的一个是前面介绍的机器学习大牛GeoffreyHinton(图1中的中间者)。
SVM(支持向量机)
支持向量机算法是诞生于统计学习界,同一时候在机器学习界大放光彩的算法。
支持向量机算法从某种意义上来说是逻辑回归算法的强化:通过给予逻辑回归算法更严格的优化条件,支持向量机算法能够获得比逻辑回归更好的分类界线。可是假设没有某类函数技术,则支持向量机算法多算是一种更好的线性分类技术。
可是,通过跟高斯“核”的结合,支持向量机能够表达出非常复杂的分类界线,从而达成非常好的的分类效果。
聚类算法
前面的算法中的一个显著特征就是我的训练数据中包括了标签,训练出的模型能够对其它未知数据预測标签。在以下的算法中。训练数据都是不含标签的,而算法的目的则是通过训练。猜測出这些数据的标签。
这类算法有一个统称,即无监督算法(前面有标签的数据的算法则是有监督算法)。
无监督算法中典型的代表就是聚类算法。
让我们还是拿一个二维的数据来说,某一个数据包括两个特征。我希望通过聚类算法。给他们中不同的种类打上标签,我该怎么做呢简单来说。聚类算法就是计算种群中的距离。依据距离的远近将数据划分为多个族群。
聚类算法中典型的代表就是K-Means算法。
降维算法
降维算法也是一种无监督学习算法,其主要特征是将数据从高维降低到低维层次。在这里,维度其实表示的是数据的特征量的大小,比如,房价包括房子的长、宽、面积与房间数量四个特征。也就是维度为4维的数据。能够看出来。长与宽其实与面积表示的信息重叠了,比如面积=长×宽。通过降维算法我们就能够去除冗余信息,将特征降低为面积与房间数量两个特征,即从4维的数据压缩到2维。
【免责声明】本文系本网编辑部分转载,转载目的在于传递更多信息,并不代表本网赞同其观点和对其真实性负责。如涉及作品内容、版权和其它问题,请在30日内与管理员联系,我们会予以更改或删除相关文章,以保证您的权益!