1. 線形回帰
線形回帰はおそらく最も人気のある機械学習アルゴリズムです。線形回帰は、直線を見つけて、それを散布図のデータ ポイントにできるだけ近づけることです。直線の方程式をデータに当てはめることによって、独立変数 (x 値) と数値結果 (y 値) を表現しようとします。この線は、将来の値を予測するために使用できます。
このアルゴリズムで最も一般的に使用される手法は最小二乗法です。この方法では、直線上の各データ ポイントまでの垂直距離が最小になるように、最適な直線が計算されます。合計距離は、すべてのデータ ポイントの垂直距離 (緑色の線) の二乗の合計です。この二乗誤差または距離を最小限に抑えてモデルを適合させるという考え方です。
2. ロジスティック回帰
ロジスティック回帰は線形回帰に似ていますが、ロジスティック回帰の結果には 2 つの値のみが含まれます。線形回帰がオープン値を予測する場合、ロジスティック回帰はイエスかノーかを判断する質問に似ています。ロジスティック回帰は、カテゴリに対するユーザーの購入嗜好を予測するために、電子商取引や食品配達プラットフォームでよく使用されます。
3. 線形判別分析
フィッシャー線形判別 (FLD) としても知られる線形判別分析 (LDA) は、1996 年に Belhumeur によってパターン認識と人工知能の分野に導入された古典的なパターン認識アルゴリズムです。判別分析の基本的な考え方は、高次元のパターン サンプルを最適な判別ベクトル空間に射影して、分類情報の抽出と特徴空間の次元の圧縮の効果を実現し、射影後、パターン サンプルが最大の値を持つようにすることです。新しい部分空間内のクラス差、距離、およびクラス内の最小距離、つまり、パターンはその空間内で最良の分離性を持っています。したがって、有効な特徴抽出方法である。
4. ディシジョンツリー
デシジョン ツリーは、トレーニング データを測定および計算することでテスト データを分類および予測するアルゴリズムです。
デシジョン ツリーは通常、デシジョン ノード、ブランチ、リーフ ノードの 3 つの主要な部分で構成されます。デシジョン ツリーの最上位にあるデシジョン ノードはルート デシジョン ノードです。各ブランチには新しい決定ノードがあります。決定ノードの下にはリーフ ノードがあります。各決定ノードは分類されるデータ カテゴリまたは属性を表し、各リーフ ノードは結果を表します。意思決定プロセス全体は、ルート意思決定ノードから上から下まで始まります。データの分類に従って、各決定ノードで異なる結果が得られます。
5. ベクトル量子化を学ぶ
学習ベクトル量子化 (LVQ) は、パターン分類のための教師あり学習アルゴリズムであり、シンプルな構造と強力な機能を備えた教師ありニューラル ネットワーク分類アルゴリズムです。
6. サポートベクターマシン
サポート ベクター マシン (SVM) は、分類問題用の教師ありアルゴリズムです。限られたトレーニング サンプルの場合の汎化能力の最適化は、最大分類間隔基準を使用することで実現されます。非線形分類や関数回帰はカーネル関数を通じて間接的に実現され、サポート ベクター マシンは通常 SVM と略されます。
7. 最近傍アルゴリズム
K 最近傍法 (KNN) は非常に単純です。KNN は、トレーニング セット全体で最も類似した K 個のインスタンス、つまり K 個の近傍インスタンスを検索し、これらすべての K 個のインスタンスに共通の出力変数を割り当てることによってオブジェクトを分類します。
8. ランダムフォレストアルゴリズム
ランダム フォレストは、非常に人気のあるアンサンブル機械学習アルゴリズムです。アンサンブル学習の考え方によって複数のツリーを統合するアルゴリズムであり、その基本単位は決定木であり、その本質は機械学習の大きな分野であるアンサンブル学習(アンサンブル学習)手法に属します。統合学習では主にバギングアルゴリズムとブースティングアルゴリズムに分かれており、ここでのランダムフォレストは主にバギングアルゴリズムを使用します。
9. 人工ニューラルネットワーク
人工ニューラル ネットワーク アルゴリズムは、生物学的ニューラル ネットワークをシミュレートし、パターン マッチング アルゴリズムの一種です。分類や回帰の問題を解決するためによく使用されます。人工ニューラル ネットワークは、何百もの異なるアルゴリズムを備えた機械学習の広大な分野です。
10. ベイジアンアルゴリズム
ナイーブ ベイズ (NB) アルゴリズムは、ベイズの定理と特性条件の独立した仮定に基づいた分類方法です。このアルゴリズムは、分類問題を解決する教師あり学習アルゴリズムです。未知のサンプルをいくつかのクラスに分割します。前進。
ナイーブ ベイズの考え方は、特定の事前確率に基づいて、特定のカテゴリに属する Y 変数の事後確率を計算することです。つまり、以前のイベントの関連データに基づいて、将来にイベントが発生する確率を推定します。 。
杭州 IP セグメント表示:
43.227.202.1
43.227.202.2
43.227.202.3
43.227.202.4
43.227.202.5
43.227.202.6
43.227.202.7
43.227.202.8
43.227.202.9
43.227.202.10
43.227.202.11
43.227.202.12
43.227.202.13
43.227.202.14
43.227.202.15
43.227.202.16
43.227.202.17
43.227.202.18
43.227.202.19
43.227.202.20
43.227.202.21
43.227.202.22
43.227.202.23
43.227.202.24
43.227.202.25
43.227.202.26
43.227.202.27
43.227.202.28
43.227.202.29
43.227.202.30
43.227.202.31
43.227.202.32
43.227.202.33
43.227.202.34
43.227.202.35
43.227.202.36
43.227.202.37
43.227.202.38
43.227.202.39
43.227.202.40
43.227.202.41
43.227.202.42
43.227.202.43
43.227.202.44
43.227.202.45
43.227.202.46
43.227.202.47
43.227.202.48
43.227.202.49
43.227.202.50
43.227.202.51
43.227.202.52
43.227.202.53
43.227.202.54
43.227.202.55
43.227.202.56
43.227.202.57
43.227.202.58
43.227.202.59
43.227.202.60
43.227.202.61
43.227.202.62
43.227.202.63
43.227.202.64
43.227.202.65
43.227.202.66
43.227.202.67
43.227.202.68
43.227.202.69
43.227.202.70
43.227.202.71
43.227.202.72
43.227.202.73
43.227.202.74
43.227.202.75
43.227.202.76
43.227.202.77
43.227.202.78
43.227.202.79
43.227.202.80
43.227.202.81
43.227.202.82
43.227.202.83
43.227.202.84
43.227.202.85
43.227.202.86
43.227.202.87
43.227.202.88
43.227.202.89
43.227.202.90
43.227.202.91
43.227.202.92
43.227.202.93
43.227.202.94
43.227.202.95
43.227.202.96
43.227.202.97
43.227.202.98
43.227.202.99
43.227.202.100
43.227.202.101
43.227.202.102
43.227.202.103
43.227.202.104
43.227.202.105
43.227.202.106
43.227.202.107
43.227.202.108
43.227.202.109
43.227.202.110
43.227.202.111
43.227.202.112
43.227.202.113
43.227.202.114
43.227.202.115
43.227.202.116
43.227.202.117
43.227.202.118
43.227.202.119
43.227.202.120
43.227.202.121
43.227.202.122
43.227.202.123
43.227.202.124
43.227.202.125
43.227.202.126
43.227.202.127
43.227.202.128
43.227.202.129
43.227.202.130
43.227.202.131
43.227.202.132
43.227.202.133
43.227.202.134
43.227.202.135
43.227.202.136
43.227.202.137
43.227.202.138
43.227.202.139
43.227.202.140
43.227.202.141
43.227.202.142
43.227.202.143
43.227.202.144
43.227.202.145
43.227.202.146
43.227.202.147
43.227.202.148
43.227.202.149
43.227.202.150
43.227.202.151
43.227.202.152
43.227.202.153
43.227.202.154
43.227.202.155
43.227.202.156
43.227.202.157
43.227.202.158
43.227.202.159
43.227.202.160
43.227.202.161
43.227.202.162
43.227.202.163
43.227.202.164
43.227.202.165
43.227.202.166
43.227.202.167
43.227.202.168
43.227.202.169
43.227.202.170
43.227.202.171
43.227.202.172
43.227.202.173
43.227.202.174
43.227.202.175
43.227.202.176
43.227.202.177
43.227.202.178
43.227.202.179
43.227.202.180
43.227.202.181
43.227.202.182
43.227.202.183
43.227.202.184
43.227.202.185
43.227.202.186
43.227.202.187
43.227.202.188
43.227.202.189
43.227.202.190
43.227.202.191
43.227.202.192
43.227.202.193
43.227.202.194
43.227.202.195
43.227.202.196
43.227.202.197
43.227.202.198
43.227.202.199
43.227.202.200
43.227.202.201
43.227.202.202
43.227.202.203
43.227.202.204
43.227.202.205
43.227.202.206
43.227.202.207
43.227.202.208
43.227.202.209
43.227.202.210
43.227.202.211
43.227.202.212
43.227.202.213
43.227.202.214
43.227.202.215
43.227.202.216
43.227.202.217
43.227.202.218
43.227.202.219
43.227.202.220
43.227.202.221
43.227.202.222
43.227.202.223
43.227.202.224
43.227.202.225
43.227.202.226
43.227.202.227
43.227.202.228
43.227.202.229
43.227.202.230
43.227.202.231
43.227.202.232
43.227.202.233
43.227.202.234
43.227.202.235
43.227.202.236
43.227.202.237
43.227.202.238
43.227.202.239
43.227.202.240
43.227.202.241
43.227.202.242
43.227.202.243
43.227.202.244
43.227.202.245
43.227.202.246
43.227.202.247
43.227.202.248
43.227.202.249
43.227.202.250
43.227.202.251
43.227.202.252
43.227.202.253
43.227.202.254
43.227.202.255