机器学习算法分类

下面的这份思维导图与机器学习有关，包括机器学习的算法分类以及各算法的简介。例如，随机森林、神经网络、决策树、线性回归、逻辑回归和奇异值分析等。喜欢就请点赞收藏！

机器学习算法

有监督学习：分类

支持向量机

线性SVM：找到一根线将数据集划分为两部分，使其误差最小

非线性SVM：采用核函数，将数据映射到更高维空间，使其具有线性可分性

随机森林

random forest：将多棵决策树结成的一种算法，对每棵树的分类结果进行集成，投票选出最终的类别结果

神经网络

neural network：类似于生物神经元，构建输入层，输出层，隐含层，实现模型从输入到输出的训练，并得到相应的结果

决策树

desicion tree：构建可视化的分类规则，产生一个可解释性的模型

逻辑回归

logistic regression：将线性函数的因变量y经过logistic的函数转化，使其概率分布在0~1之间

贝叶斯分类

bayesian classifier：计算各类别出现的条件概率，以判断分类结果

梯度提升树

GBDT：一种从错误中进行学习的技术，集成一堆较差的学习算法进行学习

有监督学习：回归

随机森林

random forest：将多棵决策树结成的一种算法，对每棵树的分类结果进行集成，投票选出最终的类别结果

神经网络

neural network：类似于生物神经元，构建输入层，输出层，隐含层，实现模型从输入到输出的训练，并得到相应的结果

决策树

desicion tree：构建可视化的分类规则，产生一个可解释性的模型

线性回归

一元线性回归：构建线性模型表达一个因变量和一个自变量之间的关系，使其误差最小

多元线性回归：构建线性模型表达一个因变量和多个自变量之间的关系

梯度提升树

GBDT：一种从错误中进行学习的技术，集成一堆较差的学习算法进行学习

无监督学习：降维

主成分分析

PCA：通过正交变换将一组可能存在相关性的变量转换为一组线性不相关的变量

线性判别分析

LDA：对数据集进行投影到一条直线上，使得同类型的投影点尽可能接近，异样类型的投影点尽可能远离

奇异值分解

SVD：将一个复杂的矩阵用更小更简单的几个子矩阵的相乘表示，而这些小矩阵表达了矩阵的重要特性

无监督学习：聚类

BDSCAN

一种密度聚类算法，适用于凸样本和非凸样本集，假定样本的类别可以通过样本分布的紧密程度决定

K均值

K-MEAN：对给定数据集的K个类别，每个类别中心通过计算类中所有值的均值得到，采用距离作为相似性指标，进行聚类

层次聚类

hierarchical clustering：通过某个相似度计算各节点之间的相似性，并按照网络节点组成树状图层次结构，进行层次拆分