1.线性回归
1.1一元线性回归
y=a+bx
1.2多元线性回归
y=a+b1x1+b2x2+...+bnxn
2.KNN算法
KNN是k最邻近算法，是一种lazy learning（懒惰学习），也就是说KNN在实现的过程中，不会建立模型。个人理解：在预测一个点的时候，不想线性回归那样，先用训练集训练出一个y=a+bx，训练后a和b就是确定的值，当预测一个新的点的时候可以直接将此点带入公式中。而KNN不建立模型，也就是当预测新的点的时候，他会将此点和所有的训练集做比较，然后选出K个最近的点，最后用投票准则，做出预测。
3.SVM
3.1线性SVM
支持向量就是在两个类的边界上的点，线性可分的时候就是找到支持向量中间的那条直线。
3.2线性不可分的SVM
线性不可分，我们用一个映射函数，映射到高维空间中。然后在高维空间中找一个线性超平面。
4.kmeans算法
对初始点选择有关，容易陷入局部最优
这个算法其实很简单，最主要的是你选择什么度量方程式，也就是说你选择什么规则进行分类，是选择距离，还是相似度进行分类？选择好度量方程式之后，你就对每个中心点计算到所有点的值，然后将这些值放在一个矩阵中，当你对所有中心点计算完成之后，每个点距离哪个中心点最近，他就属于哪个类。
机器学习
网友评论