爱收集资源网

机器学习算法分类大揭秘!你绝对不能错过

网络整理 2023-09-26 19:03

近日,Coggle对各种机器学习算法进行了归纳整理,形成了一个较为完整的机器学习算法分类图谱,并对每一类算法的优缺点进行了剖析。具体分类如下:

正则化算法(Regularization Algorithms)

正则化算法是另一种方式(通常是回归方式)的拓展,这种方式会基于模型复杂性对其进行惩罚,它喜欢相对简单就能更好的泛化的模型。

举例:

优点:

缺点:

集成算法(Ensemble algorithms)

集成算法是由多个较弱的模型集成模型组,其中的模型可以单独进行训练,并且它们的预测能以某种形式结合上去去作出一个总体预测。该算法主要的问题是要找出什么较弱的模型可以结合上去,以及结合的方式。这是一个十分强悍的技术集,因此广受欢迎。

举例:

优点:

缺点:

决策树算法(Decision Tree Algorithm)

决策树算法使用一个决策树作为一个预测模型,它将对一个 item(表征在分支上)观察所得映射成关于该 item 的目标值的推论(表征在叶子中)。树模型中的目标是可变的,可以采一组有限值,被称为分类树;在这种树结构中,叶子表示类标签,分支表示表征这种类标签的联接的特点。

举例:

优点:

缺点:

回归(Regression)算法

回归是用于恐怕两种变量之间关系的统计过程。当用于剖析因变量和一个 多个自变量之间的关系时,该算法能提供好多建模和剖析多个变量的方法。具体一点说,回归剖析可以帮助我们理解当任意一个自变量变化,另一个自变量不变时,因变量变化的典型值。最常见的是,回归剖析能在给定自变量的条件下恐怕出因变量的条件期望。回归算法是统计学中的主要算法,它已被列入统计机器学习。

举例:

人工神经网络优缺点_人工神经网络模型有哪些_人工神经网络和支持向量机优点

优点:

缺点:

人工神经网络

人工神经网络是受生物神经网络启发而建立的算法模型。它是一种模式匹配人工神经网络和支持向量机优点,常被用于回归和分类问题,但拥有庞大的子域,由数百种算法和各种问题的变体组成。

举例:

优点:

缺点:

深度学习(Deep Learning)

深度学习是人工神经网络的最新分支,它受惠于当代硬件的快速发展。众多研究者目前的方向主要集中于建立更大、更复杂的神经网路人工神经网络和支持向量机优点,目前有许多方式正在聚焦半监督学习问题,其中用于训练的大数据集只包含极少的标记。

举例:

优点/缺点:

支持向量机(Support Vector Machines)

支持向量机(SVM)是这样一种训练算法,在给定一组训练例子(其中每位例子都属于两个类别中的一个)之后,它就可以在被输入新的例子后将其分类到两个类别中的一个,使自身成为非概率二进制线性分类器。SVM 模型将训练例子表示为空间中的点,它们被映射到一幅图中,由一条明晰的、尽可能宽的间隔分开以分辨两个类别。随后,新的示例会被映射到同一空间中,并基于它们落在间隔的哪左侧来预测它属于的类别。

优点:

缺点:

降维算法(Dimensionality Reduction Algorithms)

降维算法和集簇方式类似,追求并借助数据的内在结构,目的在于使用较少的信息总结或描述数据。这一算法可用于可视化高维数据或简化接下来可用于监督学习中的数据。许多这样的方式可针对分类和回归的使用进行调整。

举例:

优点:

缺点:

聚类算法(Clustering Algorithms)

聚类算法是指对一组目标进行分类,属于同一组(亦即一个类,cluster)的目标被界定在一组中,与其他组目标相比,同一组目标愈发彼此相像(在某种意义上)。

举例:

优点:

缺点:

基于实例的算法(Instance-based Algorithms)

基于实例的算法(有时也称为基于记忆的学习)是这样一种学习算法,不是明晰归纳,而是将新的问题事例与训练过程中见过的事例进行对比,这些见过的反例就在存储器中。之所以叫基于实例的算法是因为它直接从训练实例中建构出假定。这意味这,假设的复杂度能随着数据的下降而变化:最糟的情况是,假设是一个训练项目列表,分类一个单独新实例估算复杂度为 O(n)。

举例:

优点:

缺点:

贝叶斯算法(Bayesian Algorithms)

贝叶斯算法是指明晰应用了贝叶斯定理来解决如分类和回归等问题的技巧。

举例:

优点:

缺点:

关联规则学习算法(Association Rule Learning Algorithms)

关联规则学习算法才能提取出对数据中的变量之间的关系的最佳解释。比如说一家商场的销售数据中存在规则 {洋葱,土豆}=> {汉堡},那说明当一位顾客同时订购了大蒜和青椒的时侯,他很有可能就会订购汉堡肉。

举例:

图模型(Graphical Models)

图模型或概率图模型(PGM/probabilistic graphical model)是一种机率模型,一个图(graph)可以通过其表示随机变量之间的条件依赖结构(conditional dependence structure)。

举例:

优点:

缺点:

人工神经网络和支持向量机
上一篇:玩转自动控制!轻松掌握原理 下一篇:没有了