如果我们不太了解我们所拥有的数据，但是想要将他们分组来观察他们的表现，聚类是个不错的选择；
如果我们想要进行预测，通常使用回归的方法。在使用回归方法是，通常最先尝试最为简单的线性回归；
如果想要基于数据的历史类别和特性对它们进行再分类，通常使用决策树。
聚类技术能够把数据分为多个组，是的组间差异大，组内差异小。这是一种无监督学习的方法，能够找出数据间逻辑上的联系。聚类算法通常用于哪些我们对原始数据的各项指标不了解的情况，通过聚类结果，分析组内和组间的数据有助于找出数据的内在联系。
决策树常常被用于企业中的分类、预测场景。决策树的是有层次的树形结构，利于理解和解释。例如：销售部门可能会利用决策树方法来分析获得用户的方法。
线性回归是最古老但是最常用的回归方法。线性回归通常用于得出解释变量和被解释变量之间的关系。通过回归结果，我们可以对被解释变量进行预测。他们可以是连续型也可以是离散型的。
总结 如果我们不太了解我们所拥有的数据，但是想要将他们分组来观察他们的表现，聚类是个不错的选择；如果我们想要进行预...
笔记 一. 常用算法 分类：聚类、决策树、罗辑回归、支持向量机 预测：决策树、罗辑回归、线性回归、神经网络、朴素贝...
这里总结了常见的几个机器学习算法：朴素贝叶斯、决策树、逻辑回归、线性回归、KNN、SVM、Boosting、聚类、...
机器学习： 线性回归逻辑回归决策树贝叶斯分类随机森林集成算法支持向量机kmeans聚类k近邻算法 深度学习 感知器...
本文结构安排 经典聚类算法：线性聚类 Kmeans 经典聚类算法：非线性聚类 DBSCAN、谱聚类 新兴聚类算法：...
前面有关线性回归的课程中，我们讲了一个回归模型，我们现在来讲一个分类模型。 分类 vs 回归 分类模型 VS 回归...
一、回归算法 1：线性回归 2：逻辑回归 二、神经网络 1：深度学习 三、SVM(支持向量机) 四、聚类算法 五、...
监督/非监督学习 监督学习 K近邻算法线性回归逻辑回归支持向量机（SVM）决策树和随机森林神经网络 非监督学习 聚...
参考常用统计模型: 决策树&回归&K均值聚类&因子分析分别对应数据分析的思路：分类，回归，聚类，降维。 1 决策树...
接下来总结机器学习算法： 线性回归 逻辑回归 决策树 K近邻 SVM 组合方法：Boosting，Bagging，...
本文标题：决策树 vs 聚类算法 vs线性回归
本文链接：https://www.haomeiwen.com/subject/jqwlmqtx.html
网友评论