所谓机器学习算法就是一个假设集合，用于找到最优模型。*监督学习：输入特征和输出标签都被定义。*无监督学习：数据集未标注，目标是发现隐藏关系。

原文 joydeep bhattacharjee千平 编译整理量子位 出品 | 公众号 QbitAI

所谓机器学习算法就是一个假设集合，用于找到最优模型机器学习算法可以分为三大类监督学习：输入特征和输出标签都被定义无监督学习：数据集未标注，目标是发现隐藏关系强化学习：某种形式的反馈回路，有些参数需要优化。

这篇文章尝试对一些常见和流行的机器学习算法，进行简单的介绍。普通最小二乘线性回归

线性回归的目标，是拟合一条线，穿过训练集数据分布的区域，并且与大多数点的距离最短在简单线性回归中，回归线最小化与各点距离的总和，即“残差平方”的总和因此，这种方法也被称为“普通最小二乘”在多维数据的情况下，也可以实现线性回归。

不过在这种情况夏，“线”只是维度为N-1的高维平面，而N是数据集的维度逻辑回归

逻辑回归虽然名为回归，但其实是一种分类技术与线性回归相反，逻辑回归不假设自变量和因变量之间存在线性关系。不过假定了决策面是线性的支持向量机

支持向量机（SVM）是一种有监督的机器学习算法，既能解决分类问题，又能解决回归问题在SVM中，我们将数据点绘制在N维空间中，其中N代表特征数量；然后找到一个超平面来区分数据点当数据的维度高于数据点数时，这是一个很好的算法

由于需要处理高维空间，这个算法计算代价高昂K-means聚类

尝试把数据分为围绕K个质心的K个组有点类似于“物以类聚，人以群分”K-means聚类算法的实现非常简单随机挑选K个质心然后将数据点分配给距离最近的质心根据平均位置重新计算质心迭代直到质心位置不再更改用于预测时，只要找到距离最近的质心。

决策树

决策树是一个树形结构的分类器决策树对一个实例或示例的分类，从树根开始直到抵达叶片节点，也就是目标价值决策树模仿了人类，所以这个模型很容易理解小树比大树好，树越大精度越低这些就是一些关键的机器学习算法，这些算法就像刀叉一样，各有利弊，适用于不同的场景。

如果你还有更多的疑问和兴趣，可以跟作者邮件讨论他的Twitter地址是：https://twitter.com/alt227Joydeep— 完 —诚挚招聘量子位正在招募编辑/记者，工作地点在北京中关村。

期待有才气、有热情的同学加入我们！相关细节，请在量子位公众号(QbitAI)对话界面，回复“招聘”两个字量子位 QbitAI · 头条号签约作者վᴗ ի 追踪AI技术和产品新动态

免责声明：本站所有信息均搜集自互联网，并不代表本站观点，本站不对其真实合法性负责。如有信息侵犯了您的权益，请告知，本站将立刻处理。联系QQ：1640731186