用于执行分类、回归、聚类和密度估计的机器学习算法列表

监督学习一般使用两种类型的目标变量：标称型和数值型。
标称型目标变量的结果只从有限目标集中取值，主要用于分类；
数值型目标变量从无限的数值集合中取值，主要用于回归分析。

《机器学习基础》 一书因为与我在PolyU的研究生课程COMP Machine Learning课程安排完全吻合，所以开启学习之旅，用于预习复习，并记录笔记于此。7/9/22

第一章 机器学习基础

机器学习基本概念

机器学习就是把无序的数据转换成有用的信息。我们会利用计算机来彰显数据背后的真实含义。

几个概念词：特征/属性，属性值，训练，训练集，目标变量，训练数据，测试数据，概念含义记录在博客：https://blog.csdn.net/weixin_43098506/article/details/126716645

分类：当机器学习程序开始运行时，使用训练样本集作为算法的输入，训练完成之后输入测试样本。输入测试样本时不提供测试样本的目标变量，由程序决定样本术语哪个类型。比较测试样本预测的目标变量值与实际样本类别之间的差别，就可以得出算法的实际精确度。

---

用于执行分类、回归、聚类和密度估计的机器学习算法列表

监督学习	用途
k-近邻算法	线性回归
朴素贝叶斯	局部加权线性回归
支持向量机	Ridge回归
决策树	Lasso最小回归系数估计

无监督学习	用途
K-均值	最大期望算法
DESCAN	Parzen窗设计

---

Python语言用于机器学习的优势

1. python语言语法清晰；
2. 易于操作纯文本文件；
3. 使用广泛，存在大量的开发文档。