流行的机器学习算法总结，帮助你开启机器学习算法学习之旅( 二 ) _机器学习

· 选择要旅行的航班
· 预测酒店的入住高峰日期
· 向客户建议要买什么车
· 预测预测并确定各个领域的可能性

文章插图

决策树算法
1. Apriori机器学习算法
它是几种在线平台上经常推荐的算法。
它通过在数据集中搜索通用的数据进行操作，然后在它们之间建立关联。
它通常用于数据挖掘和从关系数据库学习关联规则。
该算法背后的思想是保持相关项目尽可能扩展到更大的集合，以创建更有用的关联。
该算法的应用包括突出显示市场中的购买趋势。
此外，它更易于实现，并且可以用于大型数据集。
1. 朴素贝叶斯
朴素贝叶斯分类器被归类为高效的监督ML算法，并且是最简单的贝叶斯网络模型之一。
它通过对数据应用贝叶斯定理，并假设给定变量的值的情况下，每对特征之间都具有条件独立性。

文章插图

朴素贝叶斯分类
简而言之，考虑到事件B已经发生，用它来找到事件A发生的可能性。朴素贝叶斯最适合-
· 过滤垃圾邮件
· 推荐系统，例如Netflix
· 对有关技术，政治或体育的新闻文章进行分类
· 社交媒体上的情感分析
· 面部识别软件
1. 人工神经网络
仿照人脑建模的人工神经网络实现了神经元的巨大迷宫，或者说简化并模拟了节点之间相互传递信息的过程。
这些相互连接的节点通过边缘将数据瞬时传递给其他节点，以进行快速处理，从而使学习更加顺畅。
人工神经网络从数据集中学习，而不是通过一组特定的规则进行编程。能够对非线性过程进行建模，它们可以在以下领域中实施：
· 模式识别
· 网络安全
· 数据挖掘
· 检测患者的癌症种类

文章插图

人工神经网络算法
1. K-Means聚类
k-均值聚类是一种迭代的无监督学习算法，可将n个观察值划分为k个簇，每个观察值均属于最近的簇均值。

文章插图

K-means算法的步骤
简而言之，该算法基于数据点的相似性来聚合数据点的集合。它的应用范围包括在Python，SciPy，Sci-Kit Learn和data mining等编程语言和库中聚集相似和相关的网络搜索结果。
K均值聚类的实际应用-
1. 识别假新闻
1. 垃圾邮件检测和过滤
1. 按类型对书籍或电影进行分类
1. 规划城市时的热门交通路线
1. 支持向量机
支持向量机被归类为监督机器学习算法，主要用于分类和回归分析。
该算法通过建立一个可以将新示例和新数据分配给一个类别的模型来工作，每个类别间可以容易地区别开来。
在维数大于样本数的情况下，SVM非常有效，并且存储效率极高。

文章插图

高效的支持向量机算法
SVM应用程序可以在以下领域找到：
· 人脸检测
· 影像分类
· 文本和超文本分类
· 手写识别
· 药物疗法的发现
· 生物信息学-蛋白质，基因，生物学或癌症分类。
1. K近邻算法
K近邻是一种用于回归和分类问题的监督ML算法。
通常用于模式识别，该算法首先存储并使用距离函数识别数据中所有输入之间的距离，选择最接近中心点的k个指定输入并输出：
· 最经常出现的标签（用于分类）
· k个最近邻居的平均值（用于回归）

文章插图

K近邻算法
该算法的实际应用包括：
· 指纹检测
· 信用评级
· 预测股市
· 分析洗钱
· 银行破产
· 汇率
1. 降维算法
降维算法通过使用两种主要方法（特征选择或特征提取）之一减少数据集中的维度空间或随机变量的数量来工作。
此算法通常用于预处理数据集并删除冗余特征，从而使算法更容易训练模型。
此算法还具有一些不错的好处，例如：
· 内储需求低