本文已使用 Google Cloud Translation API 自动翻译。
某些文档最好以原文阅读。
机器学习是人工智能的一个领域,涉及算法的设计和开发,这些算法可以从数据中学习并做出预测。
机器学习算法有很多不同类型,但大致可分为三大类:
监督学习:当训练数据包含指示每个输入的正确输出的标签时,将使用这些算法。该算法学习将输入数据映射到正确的输出标签。
无监督学习:当训练数据不包含任何标签时使用这些算法。该算法尝试在数据中找到模式并将数据点聚类成组。
强化学习:当代理与环境交互并尝试学习如何最大化其奖励时,将使用这些算法。
在本文中,我们将重点关注监督学习算法。我们将讨论一些最流行的监督学习算法以及如何在 Python 中实现它们。
线性回归是一种监督学习算法,用于预测实值输出。使用输入特征的线性函数预测输出。
线性回归是一种参数模型,这意味着输出是一组参数的函数。使用最小二乘法从训练数据中学习参数。
线性回归可用于回归和分类任务。当用于回归时,输出是一个实数值。当用于分类时,输出是一个类标签。
线性回归是一种相对简单的算法,可以使用 scikit-learn 库来实现。
逻辑回归是一种监督学习算法,用于预测二进制输出。使用输入特征的逻辑函数预测输出。
逻辑回归是一个参数模型,这意味着输出是一组参数的函数。使用最大似然法从训练数据中学习参数。
逻辑回归是一种分类算法,只能用于分类任务。输出是一个类标签,可以是 0 或 1。
逻辑回归是一种相对简单的算法,可以使用 scikit-learn 库来实现。
支持向量机 (SVM) 是一种用于预测二进制输出的监督学习算法。使用输入特征的线性函数预测输出。
SVM 是非线性模型,这意味着输出不是一组参数的函数。使用最大间隔分类器从训练数据中学习参数。
SVM 是一种分类算法,只能用于分类任务。输出是一个类标签,可以是 0 或 1。
SVM 是一种比逻辑回归更复杂的算法,实施起来也更困难。 scikit-learn 库包含 SVM 实现。
决策树是一种监督学习算法,用于预测分类输出。使用树状模型预测输出。
决策树是非线性模型,这意味着输出不是一组参数的函数。使用递归划分方法从训练数据中学习参数。
决策树是一种分类算法,只能用于分类任务。输出是一个类标签。
决策树可能比其他算法更难实现。 scikit-learn 库包含一个决策树实现。
神经网络是一种监督学习算法,用于预测实值输出。使用输入特征的非线性函数预测输出。
神经网络是非线性模型,这意味着输出不是一组参数的函数。使用反向传播算法从训练数据中学习参数。
神经网络是一种回归算法,只能用于回归任务。输出是一个实数值。
神经网络是一种比其他算法更复杂的算法,也更难实现。 scikit-learn 库包括一个神经网络实现。
在本文中,我们讨论了一些最流行的监督学习算法。我们还讨论了如何在 Python 中实现这些算法。