原文 joydeep bhattacharjee

千平 編譯整理

量子位 出品 | 公眾號 QbitAI

所謂機器學習算法就是一個假設集合，用於找到最優模型。機器學習算法可以分為三大類。

• 監督學習：輸入特徵和輸出標籤都被定義

• 無監督學習：數據集未標註，目標是發現隱藏關係

• 強化學習：某種形式的反饋迴路，有些參數需要優化

這篇文章嘗試對一些常見和流行的機器學習算法，進行簡單的介紹。

普通最小二乘線性迴歸

• 線性迴歸的目標，是擬合一條線，穿過訓練集數據分佈的區域，並且與大多數點的距離最短

• 在簡單線性迴歸中，迴歸線最小化與各點距離的總和，即“殘差平方”的總和。因此，這種方法也被稱為“普通最小二乘”

• 在多維數據的情況下，也可以實現線性迴歸。不過在這種情況夏，“線”只是維度為N-1的高維平面，而N是數據集的維度

邏輯迴歸

• 邏輯迴歸雖然名為迴歸，但其實是一種分類技術

• 與線性迴歸相反，邏輯迴歸不假設自變量和因變量之間存在線性關係。不過假定了決策面是線性的

支持向量機

• 支持向量機（SVM）是一種有監督的機器學習算法，既能解決分類問題，又能解決迴歸問題

• 在SVM中，我們將數據點繪製在N維空間中，其中N代表特徵數量；然後找到一個超平面來區分數據點

• 當數據的維度高於數據點數時，這是一個很好的算法

• 由於需要處理高維空間，這個算法計算代價高昂

K-means聚類

• 嘗試把數據分為圍繞K個質心的K個組

• 有點類似於“物以類聚，人以群分”

K-means聚類算法的實現非常簡單。

• 隨機挑選K個質心

• 然後將數據點分配給距離最近的質心

• 根據平均位置重新計算質心

• 迭代直到質心位置不再更改

用於預測時，只要找到距離最近的質心。

決策樹

• 決策樹是一個樹形結構的分類器

• 決策樹對一個實例或示例的分類，從樹根開始直到抵達葉片節點，也就是目標價值

• 決策樹模仿了人類，所以這個模型很容易理解

• 小樹比大樹好，樹越大精度越低

這些就是一些關鍵的機器學習算法，這些算法就像刀叉一樣，各有利弊，適用於不同的場景。

如果你還有更多的疑問和興趣，可以跟作者郵件討論。他的Twitter地址是：https://twitter.com/alt227Joydeep

— 完 —

誠摯招聘

量子位正在招募編輯/記者，工作地點在北京中關村。期待有才氣、有熱情的同學加入我們！相關細節，請在量子位公眾號(QbitAI)對話界面，回覆“招聘”兩個字。

量子位 QbitAI · 頭條號簽約作者

վ'ᴗ' ի 追蹤AI技術和產品新動態