- 综合排序
- 最热优先
- 最新优先
- 来自专栏机器学习/数据可视化
5大常见机器学习算法
5大常用的机器学习算法 本文介绍了 5 大常用机器学习模型类型：集成学习算法，解释型算法，聚类算法，降维算法，相似性算法，并简要介绍了每种类型中最广泛使用的算法模型。 本文并不包括所有的机器学习模型，比如Naïve Bayes（朴素贝叶斯）和SVM这种传统算法，在本文中将会被更好的算法所取代。 可消化性。 由于其固有的性质，集合学习算法优于所有传统的机器学习算法，包括Naïve Bayes、SVM和决策树。 算法解释 随机森林：随机森林由许多相互独立的决策树构成。 算法应用 解释性模型通常用于需要作出解释的场景。比如展示 「为什么 」做出某个决定，或者解释两个或多个变量之间「如何」相互关联。 在实践中，你的机器学习模型的可解释性与机器学习模型本身的性能一样重要。 以上就是对当前主流的机器学习算法的总结，希望本文能帮助你更好地了解各种ML模型以及它们的应用场景。
66820编辑于 2023-08-23 - 来自专栏数据科学与人工智能
【机器学习】机器学习算法总结
找工作时（IT行业），除了常见的软件开发以外，机器学习岗位也可以当作是一个选择，不少计算机方向的研究生都会接触这个，如果你的研究方向是机器学习/数据挖掘之类，且又对其非常感兴趣的话，可以考虑考虑该岗位， 毕竟在机器智能没达到人类水平之前，机器学习可以作为一种重要手段，而随着科技的不断发展，相信这方面的人才需求也会越来越大。 纵观IT行业的招聘岗位，机器学习之类的岗位还是挺少的，国内大点的公司里百度，阿里，腾讯，网易，搜狐，华为（华为的岗位基本都是随机分配，机器学习等岗位基本面向的是博士）等会有相关职位，另外一些国内的中小型企业和外企也会招一小部分 阿里的算法岗位很大一部分也是搞机器学习相关的。 下面是本人在找机器学习岗位工作时，总结的常见机器学习算法（主要是一些常规分类器）大概流程和主要思想，希望对大家找机器学习岗位时有点帮助。 它在被提出之初就和SVM一起被认为是泛化能力（generalization)较强的算法。近些年更因为被用于搜索排序的机器学习模型而引起大家关注。 GBDT是回归树，不是分类树。
1.5K50发布于 2018-02-27 - 来自专栏机器学习初学者精选文章
【机器学习】干货！机器学习中 5 种必知必会的回归算法！
提到回归算法，我想很多人都会想起线性回归，因为它通俗易懂且非常简单。但是，线性回归由于其基本功能和有限的移动自由度，通常不适用于现实世界的数据。 在现实场景中我们经常遇到回归预测问题，今天我就给大家总结分享 5 种回归算法。 1、神经网络回归 理论 神经网络的强大令人难以置信的，但它们通常用于分类。信号通过神经元层，并被概括为几个类。 由于回归作为机器学习任务的特殊性和高差异性，因此需要仔细修剪决策树回归器。但是，它进行回归的方式是不规则的，而不是连续地计算值。因此，应该修剪决策树，使其具有最大的自由度。 from sklearn.linear_model import RidgeCV model = Ridge() model.fit(X_train, y_train) 5、ElasticNet 回归
1.8K70发布于 2021-04-29 - 来自专栏数据科学与人工智能
【机器学习】机器学习算法之旅
在理解了我们需要解决的机器学习问题之后，我们可以思考一下我们需要收集什么数据以及我们可以用什么算法。本文我们会过一遍最流行的机器学习算法，大致了解哪些方法可用，很有帮助。 机器学习领域有很多算法，然后每种算法又有很多延伸，所以对于一个特定问题，如何确定一个正确的算法是很困难的。本文中我想给你们两种方法来归纳在现实中会遇到的算法。 学习方式 根据如何处理经验、环境或者任何我们称之为输入的数据，算法分为不同种类。机器学习和人工智能课本通常先考虑算法可以适应的学习方式。 这里只讨论几个主要的学习风格或学习模型，并且有几个基本的例子。 正如机器学习算法本身没有完美的模型一样，算法的分类方法也没有完美的。 在这一部分我列出了我认为最直观的方法归类的算法。我并没有穷尽算法或者分类方法，但是我想对于让读者有一个大致了解很有帮助。 其他资源 这趟机器学习算法之旅意在让你对有什么算法和关联算法的一些工具给你一个总体了解。 下面是一些其他资源， 请不要觉得太多，了解越多算法对你越有好处，但是对某些算法有深层次的了解也会很有用。
1K90发布于 2018-02-27 - 来自专栏数据科学与人工智能
【机器学习】机器学习算法之旅
在理解了我们需要解决的机器学习问题之后，我们可以思考一下我们需要收集什么数据以及我们可以用什么算法。本文我们会过一遍最流行的机器学习算法，大致了解哪些方法可用，很有帮助。 机器学习领域有很多算法，然后每种算法又有很多延伸，所以对于一个特定问题，如何确定一个正确的算法是很困难的。本文中我想给你们两种方法来归纳在现实中会遇到的算法。 学习方式 根据如何处理经验、环境或者任何我们称之为输入的数据，算法分为不同种类。机器学习和人工智能课本通常先考虑算法可以适应的学习方式。 这里只讨论几个主要的学习风格或学习模型，并且有几个基本的例子。 正如机器学习算法本身没有完美的模型一样，算法的分类方法也没有完美的。 在这一部分我列出了我认为最直观的方法归类的算法。我并没有穷尽算法或者分类方法，但是我想对于让读者有一个大致了解很有帮助。 其他资源 这趟机器学习算法之旅意在让你对有什么算法和关联算法的一些工具给你一个总体了解。 下面是一些其他资源， 请不要觉得太多，了解越多算法对你越有好处，但是对某些算法有深层次的了解也会很有用。
991100发布于 2018-02-27 - 来自专栏数据科学与人工智能
【机器学习】机器学习算法预览
在这篇文章中，我要带大家预览一下机器学习中最热门的算法。预览主要的机器学习算法可在某种程度上给你这样的一种感觉，让你知道什么样的方法是可靠的。 ） 决策残端 M5 条件决策树 ? 下面是一些我不会在这篇文章列举出来的机器学习算法，它们用于解决特别的任务的过程，例如： 功能选择算法 算法精度评估 性能测试 我也不会列举那些用于子领域的机器学习算法，例如 怎样学习机器学习算法 算法是机器学习的一个大模块。这个话题我是很有兴趣的，而且之前也写了很多这方面的博客。 如何运行这些机器学习算法 有时，你需要的只是一些代码。下面这些链接可以让你明白如何运行机器学习算法，并使用常规的库来编写这些代码或者从研究者运用它们。
1.3K50发布于 2018-02-27 - 来自专栏机器学习初学者精选文章
【机器学习基础】数学推导+纯Python实现机器学习算法5：决策树之CART算法
目录 CART概述 回归树 分类树 剪枝 Python实现示例：分类树 在数学推导+纯Python实现机器学习算法4：决策树之ID3算法中笔者已经对决策树的基本原理进行了大概的论述。 剪枝可以视为决策树算法的一种正则化手段，作为一种基于规则的非参数监督学习方法，决策树在训练很容易过拟合，导致最后生成的决策树泛化性能不高。 另外，CART作为一种单模型，也是GBDT的基模型。 这种按照最小平方误差准则来递归地寻找最佳特征和最优切分点构造决策树的过程就是最小二乘回归树算法。 完整的最小二乘回归树生成算法如下：(来自统计学习方法) ? 完整的分类树构造算法如下：(来自统计学习方法) ? 一棵基于Gini指数准则选择特征的分类树构造： ? 具体细节可参考统计学习方法给出的剪枝算法步骤，笔者这里不深入展开公式。 ? Python实现示例：分类树 根据上一节ID3决策树的代码形式，笔者继续以CART分类树为例进行实现。
1.5K20发布于 2020-06-21 Python中最常用的5种机器学习算法
它能够执行许多机器学习任务，这就是为什么大多数算法都是用Python编写的,要使用python编程语言建立坚实的ML基础。 创建机器学习算法的过程分为2个部分——训练和测试阶段。 尽管机器学习算法种类繁多，但它们分为以下几类：监督学习、无监督学习和强化学习。 在本文中，我们将讨论前两类Python中最常用的5种机器学习算法。 这种机器学习算法的优点在于它同时适用于连续因变量和分类变量。3. 5. 朴素贝叶斯 朴素贝叶斯是一种用于分类任务的监督式机器学习算法。这就是它也被称为朴素贝叶斯分类的原因之一。它假设特征彼此独立，并且它们之间不存在关联。 结论 由于对技术的高需求，机器学习的受欢迎程度近年来飙升。这个领域有很大的潜力从数据中创造价值，这是它吸引不同行业企业的主要原因之一。这些是 5 种最常用的机器学习算法。
41000编辑于 2025-07-21- 来自专栏数据科学与人工智能
【机器学习】机器学习分类算法总结
（1）决策树 决策树是用于分类和预测的主要技术之一，决策树学习是以实例为基础的归纳学习算法，它着眼于从一组无次序、无规则的实例中推理出以决策树表示的分类规则。 （5）支持向量机 支持向量机（SVM，Support Vector Machine）是Vapnik根据统计学习理论提出的一种新的学习方法[43] ，它的最大特点是根据结构风险最小化准则，以最大化分类间隔构造最优分类超平面来提高学习机的泛化能力 因此，学者们对多种分类方法的融合即集成学习进行了广泛的研究。集成学习已成为国际机器学习界的研究热点，并被称为当前机器学习四个主要研究方向之一。 集成学习是一种机器学习范式，它试图通过连续调用单个的学习算法，获得不同的基学习器，然后根据规则组合这些学习器来解决同一个问题，可以显著的提高学习系统的泛化能力。 对于数据量很大的数据集，有效构造模型的能力； （5）模型描述的简洁性和可解释性。 模型描述愈简洁、愈容易理解，则愈受欢迎。
1.4K50发布于 2018-02-26 - 来自专栏数据科学与人工智能
【算法】基础机器学习算法
笔者邀请您，先思考： 1 您熟悉那些学习算法？ 2 您应用那些机器学习算法？ 本篇内容主要是面向机器学习初学者,介绍常见的机器学习算法，当然,欢迎同行交流。 ? 哲学要回答的基本问题是从哪里来、我是谁、到哪里去，寻找答案的过程或许可以借鉴机器学习的套路：组织数据->挖掘知识->预测未来。 本篇重点是机器学习算法的介绍，可以分为监督学习和无监督学习两大类。 ? 无监督学习算法很多，最近几年业界比较关注主题模型，LSA->PLSA->LDA为主题模型三个发展阶段的典型算法，它们主要是建模假设条件上存在差异。 介绍了这么多机器学习基础算法，说一说评价模型优劣的基本准则。
67440发布于 2018-07-30 - 来自专栏生信小驿站
机器学习算法①
机器学习算法 广泛地说，有三种类型的机器学习算法。 1.监督学习 这个算法由一个目标/结果变量（或因变量）组成，这个变量可以从一组给定的预测变量（独立变量）中预测出来。 监督学习的例子：回归，决策树，随机森林，KNN，逻辑回归等。 2.无监督学习 在这个算法中，我们没有任何目标或结果变量来预测/估计。 无监督学习的例子：Apriori算法，K-means。 3.强化学习： 使用这种算法，机器被训练做出特定的决定。 它是这样工作的：机器暴露在一个环境中，它使用反复试验不断地训练自己。 这台机器从过去的经验中学习，并试图捕捉最好的知识，做出准确的业务决策。 强化学习实例：马尔可夫决策过程 这里是常用的机器学习算法列表。 这些算法可以应用于几乎所有的数据问题： 线性回归 Logistic回归 决策树 SVM 朴素贝叶斯 KNN K均值 随机森林 维度降低算法 梯度提升算法 GBM XGBoost
58520发布于 2018-08-27 - 来自专栏SAMshare
这5类机器学习算法你需要知道！
“今天的文章算是一篇扫盲文，较为系统地分门别类罗列了机器学习常见的算法以及算法的概要，主要是有监督算法、无监督算法、半监督算法、强化学习算法，再而细分成Regression、Classification This article will cover 5 basic algorithms every data scientist must know to cover machine learning basics To adapt to the various problems, there are many types of regression algorithms; perhaps the top 5 are data clusters, and the number of clusters can be varied by cutting the tree at the correct level. №5: In this article, I have gone through 5 types of supervised/ unsupervised algorithms that every machine
62710发布于 2020-11-19 - 来自专栏Lansonli技术博客
机器学习（五）：机器学习算法分类
机器学习算法分类根据数据集组成不同，可以把机器学习算法分为：监督学习无监督学习半监督学习强化学习一、监督学习定义：输入数据是由输入特征值和目标值所组成。 有监督，无监督算法对比：三、半监督学习定义：训练集同时包含有标记样本数据和未标记样本数据。 监督学习和强化学习的对比监督学习强化学习反馈映射输出的是之间的关系，可以告诉算法什么样的输入对应着什么样的输出。输出的是给机器的反馈 reward function，即用来判断这个行为是好是坏。 反馈时间做了比较坏的选择会立刻反馈给算法。结果反馈有延时，有时候可能需要走了很多步以后才知道以前的某一步的选择是好还是坏。输入特征输入是独立同分布的。 面对的输入总是在变化，每当算法做出一个行为，它影响下一次决策的输入。
1.4K41编辑于 2023-02-17 - 来自专栏实时计算
机器学习（七）--------机器学习算法选择
使用训练集训练出 10 个模型 用 10 个模型分别对交叉验证集计算得出交叉验证误差（代价函数的值） 选取代价函数值最小的模型 用步骤 3 中选出的模型对测试集计算得出推广误差（代价函数的值） 当你运行一个学习算法时 ，如果这个算法的表现不理想，那么多半是出现两种情况： 要么是偏差比较大，要么是方差比较大。
59620发布于 2019-08-08 - 来自专栏不仅仅是python
机器学习-常用的机器学习算法
概要 主要展示常用的机器学习算法。 涵盖的算法 - 线性回归，逻辑回归，朴素贝叶斯，kNN，随机森林等。 学习使用python语言实现这些算法。 （放在后面的文章总演示每个算法的使用，本文只介绍常用的机器学习算法） ? 介绍 谷歌的自动驾驶汽车和机器人得到了很多新闻，但该公司真正的未来是机器学习，这种技术使计算机变得更聪明，更个性化。 从广义上讲，有3种类型的机器学习算法，让我们来看看每一种类型的算法。 无监督学习的例子：Apriori算法，K-means。 强化学习(Reinforcement Learning) 工作原理：使用此算法，机器经过培训，可以做出具体决策。 ） Gradient Boosting algorithms（渐变Boosting算法） GBM XGBoost LightGBM CatBoost 今天的机器学习算法介绍就到这里，接下来的文章会具体介绍每一种算法
80231发布于 2019-09-12 - 来自专栏数据科学与人工智能
【机器学习】机器学习常见算法分类汇总
机器学习无疑是当前数据分析领域的一个热点内容。很多人在平时的工作中都或多或少会用到机器学习的算法。本文为您总结一下常见的机器学习算法，以供您在工作和学习中参考。 机器学习的算法很多。 学习方式 根据数据类型的不同，对一个问题的建模有不同的方式。在机器学习或者人工智能领域，人们首先会考虑算法的学习方式。在机器学习领域，有几种主要的学习方式。 算法类似性 根据算法的功能和形式的类似性，我们可以把算法分类，比如说基于树的算法，基于神经网络的算法等等。当然，机器学习的范围非常庞大，有些算法很难明确归类到某一类。 回归算法是统计机器学习的利器。在机器学习领域，人们说起回归，有时候是指一类问题，有时候是指一类算法，这一点常常会使初学者有所困惑。 人工神经网络算法模拟生物神经网络，是一类模式匹配算法。通常用于解决分类和回归问题。人工神经网络是机器学习的一个庞大的分支，有几百种不同的算法。
1.2K100发布于 2018-02-27 - 来自专栏MiningAlgorithms
机器学习11：机器学习算法目录（前）
机器学习算法目录： 一、模型选择与评价： 1，误差：误差由偏差(bias)、方差(variance)和噪声(noise)组成； 2，多分类学习：一对一、一对其余、多对多（参考：西瓜书p63）；单标签二分类 3，交叉验证，网格搜索： 4，模型评价相关指标： 5，模型持久化（modelpersistence）： 6，验证曲线（validationcurves）： 二、机器学习部分： 1，线性回归： 最小二乘 4，支持向量机（SVM）：线性可分向量机、线性不可分向量机； 要点：支持向量机学习的是凸二次规划问题，可以使用SMO算法快速求解； 5，KNN：KD-Tree算法可以不计算全部样本点的距离、 要点：KNN ：条件随机场、GM-HMM、概率计算问题（前向-后向算法）、学习问题（Bawm-Welch算法）、预测问题（Viterbi算法）。 12，集成学习（已整理为：机器学习5-8）：随机森林（Extra tree、Totally Random Trees Embedding、Isolation forest）、Adboost、GBDT、XGBoost
1.1K20发布于 2019-08-08 - 来自专栏IT从业者张某某
机器学习-03-机器学习算法流程
作者：adi0229 链接：「ML笔记」- 机器学习生命周期（Machine Learning Lifecycle） 懂业务+会选择合适的算法+数据处理+算法训练+算法调优+算法融合 +算法评估+持续调优 （5）第五步评测，指的是一个客观的角度（测试指标）对计算机学习效果进行评测。 在没有测试过不同算法之前，即使是经验丰富的数据科学家和机器学习算法开发者也都不能分辨出哪种模型性能最好。 = cross_val_score(svc, iris.data, iris.target, cv=5) #第六步机器学习:模型的保存 #机器学习库sklearn中，我们使用joblib方法实现： from 3.确定想要研究的领域极其对应的算法 4.通过招聘网站和论文等确定具体的技术 5.了解业务流程，查找数据 6.复现经典算法 7.持续优化，并尝试与对应企业人员沟通心得 8.企业给出反馈
59410编辑于 2024-02-29 - 来自专栏编程小王
【openAI】机器学习算法
分享给更多人：如果你觉得这篇文章对你有帮助，欢迎分享给更多对机器学习算法感兴趣的朋友，让我们一起进步！ 1. 引言：什么是机器学习？ 机器学习是人工智能的一个分支，它使计算机可以在没有明确编程的情况下从数据中学习。通过学习模式，机器学习算法能够对新数据进行预测或做出决策。 传统编程 vs. 机器学习的分类 机器学习通常分为三大类，每一类都有不同的目标和算法。 监督学习：从标注数据中学习，目标是预测或分类。例如，给定一组输入和输出（标签），算法学会预测新的输入的输出。 常见的机器学习算法 在介绍具体的机器学习算法时，可以按照它们的使用场景、特点以及优缺点进行划分。 5. 结论 机器学习算法有很多种，每一种都有其适用的场景和优缺点。选择合适的算法和调优模型是实现高性能机器学习系统的关键。对于初学者来说，理解每种算法的基本原理并通过实践来加深对它们的认识尤为重要。
42800编辑于 2024-11-20 - 来自专栏AI
机器学习算法概览
机器学习算法概览：监督学习、无监督学习、强化学习等机器学习是人工智能（AI）领域的重要分支，它使得计算机系统能够通过数据进行学习并做出预测或决策。 机器学习算法可以根据数据的类型、学习的方式以及所需的反馈进行分类，主要包括监督学习、无监督学习和强化学习三种类型。每种类型的算法都有不同的应用场景和实现方式。 Bishop这本书详细介绍了机器学习的各种算法，包括监督学习、无监督学习以及强化学习的基础理论。 ，涵盖了多种常见的机器学习算法。 《机器学习实战》（中文版）这本书通过Python实例讲解机器学习的基础算法及其应用，适合初学者使用。
45600编辑于 2025-01-12
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号