BR-MLP是基于大数据BR-ODP的分布式数据挖掘平台,构建于分布式平台之上，封装了Spark内成熟算法和其他领域算法，以机器学习算法和深度学习算法为核心，提供海量大数据的接入、清洗、管理、建模、挖掘、可视化等功能。挖掘数据的潜在价值，助力互联网企业更好、更快的发展！
BR-MLP数据挖掘平台
下面，小编具体讲解一下BR-MLP数据挖掘关于分类或回归模型12个算法
（1）决策树分类：在信息增益和已知各种情况发生概率的基础上，通过构成决策树来实现分类，支持二分类和多分类。
（2）决策树回归：决策树是在信息增益和已知各种情况发生概率的基础上，通过构成决策树来实现回归。
（3）朴素贝叶斯：基于贝叶斯定理与特征条件独立假设的分类方法，支持多分类和二分类。
（4）随机森林分类：是利用多棵决策树对样本进行训练并预测的一种分类器。
（5）随机森林回归：是利用多棵决策树对样本进行训练并预测的一种回归算法。
（6）梯度提高树分类：是一种组合算法，它的分类器是决策树，可以用作分类。
（7）梯度提高树回归：是一种组合算法，它的基分类器是决策树，可以用回归。
（8）逻辑回归：逻辑回归的模型是一个非线性模型，在线性函数的基础上添加了映射函数关系，是常用的分类算法。
（9）支持向量机：一个支持向量机构造一个超平面，其可用于分类。
（10）线性回归：利用数理统计中的回归分析，来确定两种或两种以上变量间相互依赖的定量关系的一种回归方法。
（11）保序回归：是在约束条件下的一种回归，该平台采用平行化的PAVA算法，最终用于拟合原始数据最佳的单调函数。
（12）时间序列：采用自回归积分滑动平均模型的时间序列预测方法，针对一列按照时间顺序排列的数据进行建模预测。
网友评论