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;
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
扫描二维码关注公众号,回复:
8688559 查看本文章
4)贝叶斯分类器
5)K近邻
6)决策树
7)集成模型