机器学习算法

机器学习算法是能够从数据中学习隐藏模式、预测输出并自主提高性能的程序。机器学习中有不同的算法可用于不同的任务，例如可用于预测问题（如股票市场预测）的简单线性回归，以及可用于分类问题的KNN 算法。

在本主题中，我们将概述一些流行且最常用的机器学习算法，并介绍它们的用例和类别。

机器学习算法的类型

机器学习算法可大致分为三类

1. 监督学习算法
2. 无监督学习算法
3. 强化学习算法

下图说明了不同的机器学习算法及其类别

1) 监督学习算法

监督学习是一种机器学习类型，在这种类型中，机器需要外部监督才能学习。监督学习模型使用带标签的数据集进行训练。一旦完成训练和处理，就会通过提供样本测试数据来测试模型，以检查它是否预测了正确的输出。

监督学习的目标是将输入数据与输出数据进行映射。监督学习基于监督，这与学生在老师的监督下学习事物相同。监督学习的例子是垃圾邮件过滤。

监督学习可进一步分为两类问题

• 分类
• 回归

一些流行的监督学习算法的例子是简单线性回归、决策树、逻辑回归、KNN 算法等。了解更多..

2) 无监督学习算法

这是一种机器学习类型，在这种类型中，机器不需要任何外部监督即可从数据中学习，因此称为无监督学习。无监督模型可以使用未标记的数据集进行训练，这些数据集未分类或未分类，算法需要在没有任何监督的情况下处理这些数据。在无监督学习中，模型没有预定义的输出，它试图从大量数据中找到有用的见解。它们用于解决关联和聚类问题。因此，进一步可将其分为两类：

• 聚类
• 关联 (Association)

一些无监督学习算法的例子是K-均值聚类、Apriori 算法、Eclat 等。了解更多..

3) 强化学习

在强化学习中，智能体通过产生动作与环境进行交互，并通过反馈进行学习。智能体获得的反馈是奖励的形式，例如，每个好的动作都会获得积极的奖励，每个坏的动作都会获得消极的奖励。智能体没有获得任何监督。Q-Learning 算法用于强化学习。了解更多…

流行的机器学习算法列表

1. 线性回归算法
2. 逻辑回归算法
3. 决策树
4. SVM
5. 朴素贝叶斯
6. KNN
7. K-Means 聚类
8. 随机森林
9. Apriori
10. PCA

1. 线性回归

线性回归是最流行且简单的机器学习算法之一，用于预测分析。这里，预测分析定义了某事的预测，而线性回归对连续数字进行预测，例如薪水、年龄等。

它显示了因变量和自变量之间的线性关系，并显示了因变量 (y) 如何根据自变量 (x) 变化。

它试图在因变量和自变量之间拟合一条最佳直线，这条最佳直线称为回归线。

回归线的方程为

其中，y= 因变量

x= 自变量

a₀ = 直线截距。

线性回归进一步分为两种类型

• 简单线性回归：在简单线性回归中，使用单个自变量来预测因变量的值。
• 多元线性回归：在多元线性回归中，使用多个自变量来预测因变量的值。

下图显示了用于根据身高预测体重的线性回归：了解更多..

2. 逻辑回归

逻辑回归是一种监督学习算法，用于预测分类变量或离散值。它可用于机器学习中的分类问题，逻辑回归算法的输出可以是“是”或“否”、“0”或“1”、“红”或“蓝”等。

逻辑回归与线性回归相似，只是它们的使用方式不同，例如，线性回归用于解决回归问题并预测连续值，而逻辑回归用于解决分类问题并用于预测离散值。

它不是拟合最佳直线，而是形成一条介于 0 和 1 之间的 S 形曲线。S 形曲线也称为逻辑函数，它使用阈值概念。高于阈值的值将趋向于 1，低于阈值的值将趋向于 0。了解更多..

3. 决策树算法

决策树是一种监督学习算法，主要用于解决分类问题，但也可用于解决回归问题。它可以处理分类变量和连续变量。它显示了一个树状结构，包括节点和分支，从根节点开始，然后展开到叶节点。内部节点用于表示数据集的特征，分支表示决策规则，叶节点表示问题结果。

决策树算法的一些实际应用是识别癌细胞和非癌细胞，向客户推荐购买汽车等。了解更多..

4. 支持向量机算法

支持向量机或 SVM 是一种监督学习算法，也可用于分类和回归问题。然而，它主要用于分类问题。SVM 的目标是创建一个超平面或决策边界，可以将数据集分割成不同的类别。

有助于定义超平面的数据点称为支持向量，因此将其命名为支持向量机算法。

SVM 的一些实际应用是人脸检测、图像分类、药物发现等。考虑下图

如上图所示，超平面已将数据集分类为两个不同的类别。了解更多..

5. Naïve Bayes 算法

朴素贝叶斯分类器是一种监督学习算法，用于基于对象的概率进行预测。该算法之所以命名为朴素贝叶斯，是因为它基于贝叶斯定理，并遵循‘变量彼此独立’的朴素假设。

贝叶斯定理基于条件概率；这意味着在给定事件 (B) 已发生的情况下，事件 (A) 发生的可能性。贝叶斯定理的方程为

朴素贝叶斯分类器是提供给定问题良好结果的最佳分类器之一。构建朴素贝叶斯模型很容易，并且非常适合处理大量数据集。它主要用于文本分类。了解更多..

6. K-Nearest Neighbour (KNN)

K-Nearest Neighbour 是一种监督学习算法，可用于分类和回归问题。该算法通过假设新数据点与可用数据点之间的相似性来工作。基于这些相似性，新数据点被归入最相似的类别。它也称为懒惰学习者算法，因为它存储所有可用数据集，并通过 K 个邻居对每个新案例进行分类。新案例被分配给具有最大相似性的最近类别，任何距离函数都测量数据点之间的距离。距离函数可以是欧几里得距离、闵可夫斯基距离、曼哈顿距离或汉明距离，具体取决于要求。了解更多..

7. K-Means Clustering

K-Means 聚类是最简单的无监督学习算法之一，用于解决聚类问题。数据集根据相似性和不相似性分为 K 个不同的簇；这意味着具有最多共同点的​​数据集保留在一个簇中，而与其他簇的共同点非常少或没有。在 K-Means 中，K 指的是簇的数量，Means 指的是对数据集取平均值以查找质心。

它是一种基于质心的算法，每个簇都与一个质心相关联。该算法旨在减小数据点与其簇内质心之间的距离。

该算法从一组随机选择的质心开始，这些质心最初形成簇，然后执行迭代过程来优化这些质心的位置。

它可用于垃圾邮件检测和过滤、识别假新闻等。了解更多..

8. Random Forest Algorithm

Random forest 是一种监督学习算法，可用于机器学习中的分类和回归问题。它是一种集成学习技术，通过组合多个分类器提供预测并提高模型的性能。

它包含多个决策树，用于处理给定数据集的子集，并通过求平均值来提高模型的预测准确性。随机森林应包含 64-128 棵树。树的数量越多，算法的准确性就越高。

要对新的数据集或对象进行分类，每棵树都会给出分类结果，算法根据多数票预测最终输出。

Random forest 是一种快速的算法，可以有效地处理丢失和不正确的数据。了解更多..

9. Apriori Algorithm

Apriori 算法是一种无监督学习算法，用于解决关联问题。它使用频繁项集来生成关联规则，并设计用于处理包含事务的数据库。借助这些关联规则，它可以确定两个对象之间的连接有多强或有多弱。该算法使用广度优先搜索和哈希树来高效地计算项集。

该算法通过迭代过程从大型数据集中查找频繁项集。

Apriori 算法由R. Agrawal 和 Srikant 于 1994 年提出。它主要用于市场篮子分析，有助于了解可以一起购买的产品。它也可用于医疗保健领域，以查找患者的药物反应。了解更多..

10. 主成分分析

主成分分析 (PCA) 是一种无监督学习技术，用于降维。它有助于减少包含许多相互关联特征的数据集的维度。它是一个统计过程，通过正交变换将相关特征的观测值转换为一组线性不相关的特征。它是用于探索性数据分析和预测建模的流行工具之一。

PCA 通过考虑每个属性的方差来工作，因为高方差显示了类之间的良好划分，因此它降低了维度。

PCA 的一些实际应用包括图像处理、电影推荐系统、优化各种通信信道中的功率分配。了解更多..