Table of Contents
2. 非监督式学习(Unsupervised Learning)
3. 强化学习(Reinforcement Learning)
广义上来说,有3种机器学习算法
1. 监督式学习(Supervised Learning)
工作机制:该算法由一个目标/结果变量(或因变量)组成,该变量由已知的一系列预测变量(自变量)计算而来。利用这一系列变量,我们生成一个将输入值映射到所需输出值的函数。该训练过程会持续进行,直到模型在训练数据上达到预期精确度。监督式学习的例子有:回归(Regression)、决策树(Decision Tree)、随机森林(Random Forest)、K最近邻(KNN)、逻辑回归(Logistic Regression)等等。
2. 非监督式学习(Unsupervised Learning)
工作机制:在该算法中,我们不预测或估计任何目标变量或结果变量。此算法用于不同组内的聚类分析,被广泛用于对不同群体的客户进行细分,从而进行特定的干预。非监督式学习的例子有:Apriori算法、K–均值算法。
3. 强化学习(Reinforcement Learning)
工作机制:该算法能够训练机器进行决策。其工作原理为:让机器处于一个能够通过反复试错来训练自己的环境中。机器从过去的经验中进行学习,并试图通过学习最合适的知识来作出精准的商业判断。强化学习的例子有:马尔可夫决策过程(Markov Decision Process)。
常见机器学习算法列表
下面是一些常用的机器学习算法。这些算法几乎可以应用于所有数据问题:
1. 线性回归(Linear Regression)
2. 逻辑回归(Logistic Regression)
3. 决策树(Decision Tree)
4. SVM
5. 朴素贝叶斯(Naive Bayes)
6. K最近邻(kNN)
7. K均值算法(K-Means)
8. 随机森林(Random Forest)
9. 降维算法(Dimensionality Reduction Algorithms)
10. 梯度提升算法(Gradient Boosting algorithms)
[1] GBM
[2] XGBoost
[3] LightGBM
[4] CatBoost