02-机器学习中的常用分类器

2023年4月11日上午1:42 • 机器学习

1. 机器学习中的常用分类器：回归、分类（确定是哪一类）

1）线性回归：根据给出的数据拟合出一条直线或曲线，反应数据的分布；

评判的准则或损失函数：统计所有预测值yi及对应实际值y之间的距离之和，使其最小化；

理解，参考：

线性回归：https://blog.csdn.net/wade1203/article/details/96411653
三种回归算法及其优缺点：https://blog.csdn.net/weixin_30333885/article/details/97678615?utm_medium=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-1.edu_weight&depth_1-utm_source=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-1.edu_weight
多元线性回归：https://blog.csdn.net/loveliuzz/article/details/78006493?utm_source=blogxgwz8
一元线性回归：https://blog.csdn.net/qq_38238112/article/details/108011138
机器学习中6种常见的线性模型：https://blog.csdn.net/u013421629/article/details/103752384
机器学习中8种常见的非线性模型：https://blog.csdn.net/u013421629/article/details/103752407
人工智能社区：https://www.captainbed.net/qianyan/

2）逻辑(Logistic)回归：是二分类问题，不是回归问题；

它可以把输出的值映射到0-1之间表示概率问题，如果中间设定某一阈值（比如0.5），大于0.5表示正类，小于0.5表示分类，即二分类问题；

softmax回归：跟逻辑回归一样，是分类问题，不是回归问题；只不过softmax针对的是多分类；

参考：https://www.cnblogs.com/yinheyi/p/6131262.html

3）SVM支持向量机：定义在特征空间上的线性分类器，是一种二分类模型；

超平面：分类的决策边界；

支持向量：在SVM中，希望找到的离分隔超平面最近的点，确保他们离分隔超平面的距离尽可能的远；

参考：https://blog.csdn.net/gwplovekimi/article/details/80301614

4）贝叶斯分类器

参考：https://www.cnblogs.com/NewBee-CHH/p/9770914.html

5）K近邻（KNN）:是一种有监督分类算法；前提是：训练的数据集有类别标签；

1）计算测试数据与各个训练数据之间的距离；